近年来,独立成分分析算法(Independent Component Analysis, ICA)在图像处理领域得到了广泛的研究,并且在语音信号分离、图像信号去噪、人脸图像识别、金融数据分析和医学信号处理等方面得到了越来越多的应用。神经网络方法一直以来都很难被广泛的应用到实时计算领域,最主要的原因就是神经网络的训练时间太长从而导致计算效率较低,但近几年来,黄广斌副教授等人提出的极限学习机(Extreme Learning Machine, ELM)算法可以使训练时间明显缩短,网络的实时性大大提高,重新引起了科研人员对神经网络算法及其应用的重视。本论文的研究内容主要涉及图像特征的提取、图像重构、图像压缩、图像识别等方面。本文首先对目前流行的图像识别技术进行介绍,接着详细阐述ICA算法和ELM算法。然后采用一种结合ICA和ELM的算法来提取人脸特征,最后完成人脸图像及手写体数字的快速识别。本文通过利用不同的数据库和识别算法进行对比,来验证该算法的准确度和效率。本文的主要研究工作如下：1)本文对ICA算法进行系统阐述,尤其是快速独立成分分析算法(FastICA).利用ICA算法对自然图像以及人脸图像进行特征提取,并完成图像重构及图像压缩等任务,然后将ICA算法进行扩展,使其可以直接应用于彩色图像,利用彩色的自然图像完成图像重构等。2)本文对ELM算法进行完整的介绍,并利用"SinC"函数和通用的UCI数据集测试ELM的拟合回归性能。3)本文提出一种新算法,该算法利用传统的ICA离线地从自然图像中提取出共同的视觉特征,然后利用ELM算法在线地模拟ICA的过程对人脸图像进行实时的特征提取,最后利用ELM分类器来对人脸图像进行识别。实验证明利用经过ELM算法拟合的特征进行分类的识别率要比直接利用ICA提取人脸特征的识别率高并且特征提取速度要快。实验中所用的数据集为Yale人脸数据库和MNIST手写体数字集。最后,本文通过大量的Matlab仿真实验对算法进行了验证,并阐述了本文提出的算法有待改进之处,最后对新算法的应用进行了展望。