对脑电信号(Eletroencephalograph EEG)处理的目的就是为了从复杂的背景噪声中提取出隐含或微弱的脑电特征信号并应用于临床医学和脑认知科学的研究中。独立分量分析(Independent component analysis, ICA)是统计信号处理领域中伴随盲信源分离发展起来的一种新的分解技术,其特点是在除信源相互统计独立外无其他先验知识的情况下,把观察记录分解成若干独立的成分。课题研究了独立分量分析的理论,并将其应用于脑电信号的处理中。1介绍了独立分量分析的理论基础及相关知识,该分析方法根据信号的多元统计特性进行分析处理,它可以将多道混合脑电信号进行分离。2对ICA的常见实现算法进行系统的阐述,并对各自的优缺点及性能进行分析。3对脑电信号中可能存在的各种噪声或伪迹进行了分类,讨论如何利用独立分量分析来消除这些噪声,并针对实验结果与其他算法进行比较突显ICA算法的优势。课题引入定点ICA算法,并用Matlab对该算法进行了编程实现,同时对该算法的盲源分离性进行了分析验证。研究了如何利用定点ICA算法对脑电中存在的心电(Electrocardiograph, ECG )、眼动(Electro-Oculogram,EOG)、工频信号等伪迹进行有效去除。实验结果表明ICA算法可有效去除伪迹,几乎不损失脑电信号的有用成分。