独立分量分析(Independent Component Analysis, ICA)作为一种变换方法,在神经网络、盲源分离、统计分析等领域的有着广泛的应用,它在过去二十年尤其是近十年内得到了长足的发展。但是,现有的ICA方法不适用于重拖尾数据的处理问题。重拖尾信号常常被用Alpha稳定分布来描述,在计算机、物理、化学、经济、金融、地理等领域有广泛的应用,因此ICA方法在重拖尾数据中的不适用性大大局限了它的应用范围。本文中我们提出了一种新的基于非稳定性的独立分量分析方法来解决这一问题,该方法通过极大化样本的非稳定性找出独立分量。同时我们还提出了极大化非稳定性准则来代替经典独立分量分析方法中的极大化非高斯性准则,并认为后者是前者的一种特殊情况。为了测量样本中的稳定性,我们还提出了一种稳定性测度方法和三种近似方法。最后我们设计了一种数值的梯度算法来实现这种新的ICA方法。受广义中心极限定理的启发,在本文中我们提出了一种新的极大化非稳定性目标方程的独立主分量方法,这一方法将适用于重拖尾信号的盲源分离问题。这种新方法挑战了经典ICA方法中的极大化非高斯性的原则,指出极大化非高斯性原则应该被极大化非稳定性的原则所替代。在一定的约束下,我们还证明了经典的独立分量分析方法是基于非稳定性的独立分量分析方法的一种特例。为了测量数据的稳定性,我们引入了一种新的测度方法,称为Alpha负熵。在文章中,我们讨论了这种新方法作为稳定性测度理论上的优越性,并将它用做基于非稳定性的独立分量分析的目标方程。但是由于Alpha负熵计算复杂的缺点,我们又进一步提出了三种近似的稳定性测度方法：分数矩方法、对数矩方法、极值统计方法。在文章的最后,我们设计了一种数值梯度算法来实现极大化非稳定性的独立分量分析方法用以处理重拖尾信号的盲源分离问题。实验第一部分对分数矩、对数矩和极值统计方法和微分熵做了对比。实验第二部分分别利用Alpha负熵、分数矩方法、对数矩方法和极值统计方法做目标方程给出了重拖尾信号数据的盲源分离结果。结果显示了该方法在处理重拖尾信号上的成功,分离方向准确。