独立分量分析(Independent Component Analysis,ICA)方法是从多维数据中寻找其内在具有独立性和非高斯性因子的一种盲源分离方法。独立分量分析方法可以在不知道源信号及混合矩阵任何信息的情况下，只需假设源信号是相互独立的就能很好地将源信号从混合信号中分离出来。在实际问题中，独立性假设是合理的，因此近年来随着人们不断的深入研究其在通信、模式识别、经济、图像处理、数据压缩等领域中的应用越来越广泛。本文简要的阐述了独立分量分析的发展、应用和研究现状，详细地论述了独立分量的原理、数学模型、相关的预备知识及实现过程，系统且详尽地介绍了基于负熵最大的快速独立分量分析算法—FastICA算法。通过对快速独立分量分析算法认真分析后发现，算法中选用的牛顿迭代格式的收敛速度只有二阶。为了更进一步加快收敛速度引入具有五阶收敛速度的改进牛顿迭代格式从而在很大程度上提高了收敛速度，另外由于减少了收敛时所需的迭代次数避免迭代振荡的情况，使算法获得更好的收敛性能。同时针对改进后的快速独立分量分析算法的收敛性依赖于初始值的问题，在改进算法中加入阻尼因子提出加入阻尼因子的改进快速独立分量分析算法，改善了算法对初始值的依赖性。最后，通过仿真实验验证了算法的可行性。地震资料是了解地层结构的一个重要信息来源，而随机噪声却时常伴随着地震信号在地震记录中出现。当这些随机噪声干扰能量过大时将严重影响地震成像的真实性和可靠性，干扰地震资料的解释从而增加地质勘探成本。因此，去噪问题成为地震勘探中最重要的工作。本文在认真分析地震信号特点的基础上将改进后的快速独立分量分析算法应用于实际地震信号处理中，实现地震勘探信号的信噪分离。分离结果表明改进后的快速独立分量分析算法能很好地消除地震信号记录中的噪声，使剖面的质量得到较大改善。因此独立分量分析在地震资料处理方面应用前景非常广阔。