独立分量分析是一种从多维统计数据中寻找独立分量的方法，这种方法与其它方法相比较，其特点是所寻找的分量间满足独立非高斯性。独立分量分析只利用观测数据，在源信号和混合信道未知的情况下来提取独立分量。本文将从独立分量分析的学习算法和应用两方面进行研究，主要工作概括如下： 1．本文从独立分量分析的定义和假设条件出发，分析了独立分量分析的一些基本准则和常用方法；白化处理以及独立分量分析中信号的分类方法：利用非线性函数完成独立性分析的条件；给出了独立分量分析算法性能评价指标方法：将独立分量分析与主分量分析进行了比较。 2．在独立分量分析的理论研究框架下，研究了最优估计函数形式，获得了一种对得分函数进行估计的独立分量分析研究方法；本文通过利用混合高斯模型，给出了估计概率密度函数的EM算法，在此基础上利用高斯混合模型法获得了对分离矩阵的梯度学习算法。为了提高算法的稳定度和精确度，给出了一种迭代概率密度估计的独立分量分析学习算法。这种块处理方法可实现超、亚高斯混合信源的情况，同时在仿真实验过程中，研究了学习速率对学习算法的影响。 3．对于复值信号基于频率域的分析优于时域分析法，因为频率域分析能够提供更准确的信息。针对复值信号的独立分量分析问题，本文通过广义EHA准则和快速复值定点算法的研究，给出了一种改进的广义EHA准则算法，分析结果表明，这种算法可以实现对独立复值信号的分离。 4．研究了独立矢量基特性在阵列信号处理中的应用。独立分量分析方法针对统计独立信源的混合情况，在学习过程中所获得的分离矩阵提供了一组投影基矢量，具有相应的投影独立性。在此基础上，本文定义了独立矢量基，并利用独立矢量基的投影关系，对阵列中常见的DOA问题进行了研究，获得了对阵列信号的方位角估计。同时研究了白化过程所具有的自适应波束形成器特性。