遥感图像分类是遥感图像处理研究领域中的一项主要内容，地物类别是遥感图像中最基础和最重要的知识，分类的精度直接影响遥感数据的应用水平和实用价值。如何解决多类别地物的识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义，它可以为灾害评估、城镇扩展和环境变化研究等提供必要的基础信息。由于遥感图像数据量异常巨大，使用监督分类方法人工标记的代价是很高的。独立分量分析是盲信号处理技术的新发展，在机器学习领域也已经成为重要的非监督学习工具。独立分量分析算法通过计算数据的高阶统计信息，可以从观测信号中估计出相互统计独立的、原始的、被未知系数混合的独立分量。由于算法能够反映图像数据的高阶统计特征，在图像处理中得到成功的应用。本文以Landsat7 ETM+遥感图像为研究对象，详细讨论了使用独立分量分析进行纹理特征提取的方法，并通过K-means非监督聚类与SVM监督分类的实验结果，证明了ICA纹理特征提取的有效性。ICA在特征提取过程中作为数据驱动（data dependent）的滤波器，并不需要根据数据规定滤波器的模型，它能够根据数据本身的特性提供基函数的图像和线性组合系数为后续的非监督分类过程提供有效的特征。在大数据量的遥感应用中具有一定的实用价值。