脑电信号(EEG)的存在为研究脑的病理、生理、认知等功能状态提供了有效的手段，但是，EEG 信号非常微弱(一般在5-100 微伏)，而且很容易被外界伪迹干扰。因此，EEG信号中的伪迹消除成为当前研究的热点问题之一。 本文的研究内容为基于独立分量和贝叶斯分类器的脑电伪迹消除。首先，论文分析了脑电信号的规律特点，以及常用脑电信号现代处理的方法。然后，研究了独立分量的基本原理，并对其算法中的两大方面，即目标函数和优化算法进行了探讨。在目标函数中探讨了几种经常用到的独立判据，如极大似然判据，负熵最大化等。在优化算法当中重点对FastICA 算法进行研究，讨论了在牛顿迭代解非线性方程的过程中，对所有迭代过程的雅可比矩阵均取为J(w0)的不足。针对迭代的收敛速度慢，甚至可能导致算法最终不能收敛的问题，提出了自己解决的方法，从而大幅度减少收敛时的迭代次数。最后对改进算法进行了实验仿真，验证了改进算法的可行性。 论文还分析了一种基于ICA和Bayes的分类器，通过支持向量机对每个独立分量做平滑的概率密度估计，再应用构造的贝叶斯分类器对信号进行分类。仿真实验结果可以把模拟的噪音很好的同有用信号区分类别。