近年来，伴随盲源分离问题产生的独立分量分析(Independent Component Analysis，简称为ICA)理论已逐渐成为统计信号处理中的一个研究热点，并正迅速成为多维数据分析的一个有力工具。独立分量分析算法根本原理是通过分析多维观测数据间的高阶统计相关性，找出相互独立的隐含信息成份，完成分量间高阶冗余的去除及独立信源的提取。与其他方法相比较，独立分量分析的突出特点是：它以分量间相互独立为分离准则，在源信号和混合方式均未知的前提下，尽可能无失真的从观测信号中分离出隐含的独立信源。这一特点使得独立分量分析方法在图像特征提取，压缩，和模式识别等领域中有着广泛的应用前景。 本文主要的工作围绕独立分量分析理论，算法及其在图像特征提取与消噪中的应用而展开。具体内容如下： (1) 详细概述了独立分量分析理论的研究和发展现状及存在的问题。 (2) 介绍了与独立分量分析研究密切相关的统计和信息论基本知识。 (3) 描述了多维统计分析的基本思想，并对两种典型的多维数据描述方法：主分量分析和独立分量分析进行了详细比较，指出它们之间的联系和差别。 (4) 对独立分量分析优化算法进行了研究，重点讨论了基于非高斯性极大原理和信息极大原理的两类有代表性ICA算法，完成了相关算法的实现工作。 (5) 对独立分量分析理论算法在图像特征提取，消噪和识别中的应用进行了研究。首先对自然景物图像进行特征提取，设计了一个非线性阈值函数对提取的特征进行阈值处理，并引入了结合子窗口与非线性阈值函数用于图像消噪的新思路，获得了较好的图像特征提取和消噪效果，该方法思路对图像编码的优化和改进具有一定的指导意义。在对基于独立分量分析的人脸识别研究中，先利用主分量分析方法降维预处理，以达到减少独立分量个数和简化计算量的目的，在此基础上对所提取的IC特征进行分类识别。所有实验结果均表明，独立分量分析方法能充分利用图像数据中的高阶统计信息，获得好的分析处理效果。实验中，还进行了不同特征提取和消噪等方法的比较研究，将独立分量分析方法与其他一些常用方法进行了比较，如主分量分析方法和维纳滤波方法等，实验结果表明，基于独立分量分析的图像特征提取和消噪方法具有独特的优势。