微地震信号是复杂的非线性非平稳信号,而且有效信号通常比噪声能量更低,大多时候会被噪声淹没,本文联合经验模态分解(Empirical mode decomposition:简称EMD)和独立成分分析(Independent component analysis:简称ICA)两种对信号自适应性很强的方法对微地震资料进行去噪,运用高阶互累积量计算时差的特点对算法进行优化,最后通过仿真和实际微地震数据进行测试。本文首先介绍了EMD算法及其改进算法集合经验模态分解EEMD和完备集合经验模态分解CEEMD的基础概念和筛分迭代过程,应用合成信号对三种算法进行测试。EEMD算法在EMD算法基础上引入白噪声辅助去噪,对EMD算法模态混叠的缺点有很大的改善,但会引入新的噪声,对原始信号造成干扰,CEEMD在EEMD的基础上提出将正负成对的高斯白噪声加入原始数据中进行EMD分解,不仅很好的解决了模态混叠的问题,而且引入的噪声叠加时可相互消除,不会引入新的噪声,可以精确地重构原始信号,计算效率更高。接下来主要介绍和应用固定点ICA(FastICA)算法对微地震数据进行噪声源与信号源的分离,单道的实际数据且噪声不复杂时分离效果较好,实际多道的微地震数据中,信号传播遇到不同阻力,有效信号相位不一致,直接对其进行ICA盲源分离,噪声源与信号源混合在一起,效果很差,目前ICA分离技术并未考虑实际微地震信号中检波器接收时间的差异,其精确度不能应用实际生产中。基于此,本文选择应用高阶互累积量算法对其进行优化,该算法能快速精确地拾取出有效信号,根据拾取到的有效信号位置进行时差估计,根据该结果对有效信号进行时差偏移,将其偏移到同一相位点,对偏移后的数据进行ICA盲源分离,能够有效地将信号源和噪声源分离开,优化效果有明显提升。之后,介绍了ICA与EMD联合去噪算法的基本概念和应用,通过对模态混叠的IMF分量进行盲源分离,信号源进行重构,与EMD算法进行对比,其重构信号的精确度能够保持有效信号的特点,去噪效果更好。运用改进的ICA-CEEMD算法联合去噪与传统的ICA-EMD联合去噪算法进行对比,改进的算法具有更高的保幅性。最后,通过对高阶互累积量的深入研究,提出了基于高阶互累积量的震源定位算法,相比于传统的SET震源定位,该算法能自动抑制高斯噪声的干扰。数值模拟计算表明,在相同站点个数和信噪比的情况下,该算法定位精度更高。