独立成分分析(Independent Component Analysis，ICA)是一种新的信号处理方法，其目的在于从未知源信号的观测混合信号中分离出相互独立的源信号。近年来，用ICA处理盲源信号分离问题(Blind Source Separation，BSS)已经引起国内外学者的广泛关注。并已成功的应用于神经计算，医学信号处理，语音信号处理，通信，人脸识别，图像特征提取等诸多领域。
　　 在对盲源信号进行独立成分分析时，往往需要已知源信号的概率密度函数(Probability Density Function，PDF)。然而，由于源信号是未知的，一般事先很难知道其PDF。Boscolo，Pan提出了非参量独立成分分析，其概率密度函数直接源于观测数据。这种模型中的σ(σ代表Parzen窗窗宽)事先确定，所以称为非参量密度估计。非参量独立成分分析采用固定的参数处理所有源信号，适应性较弱。
　　 本文在分析已有ICA算法及其应用的基础上，提出了一种改进的算法，即引入窗宽σ作为参数的Parzen窗来估计信号的PDF，其值随源信号的改变而不同。由于利用Parzen窗估计PDF时，实际上是一种核密度估计，核函数常用的是Gauss函数，其中σ表示扩散因子，反映样本取值的范围。显然，对于有限数据，参量σ的引入使得所估计的PDF更加精确，模拟结果表明，信号干扰比(SIR)明显提高。利用改进的算法，我们将独立成分分析的白化技术应用于雷达快速扫描中。对于天气多普勒雷达来说，在保持较高天线转速且不牺牲径向分辨率的前提下，如何增加独立样本数减少测量误差，具有重要意义。独立成分分析可以从过采样天气信号中，利用不同信号之间拥有的独立性，对信号进行分离。模拟实验表明，ICA可以最大限度的确定独立样本数，提高多普勒雷达扫描速度，实现更好的跟踪识别天气现象。