数据挖掘对于寻找商业和科研中的有价值发现具有很大潜力。独立成分分析(Independentcomponentanalysis，ICA)是一种新的数据处理方法，目的是将多维随机向量转换成统计上尽可能独立的成分。目前独立成分分析方法已经广泛引起人们的注意，并已经被成功地应用于语音识别、人脸识别、远程通信、自然图像降噪、神经科学计算和医学信号处理等领域。本论文在独立成分分析的基础上对数据挖掘的一些方法进行了研究，论文的概要如下： 第一章综述了数据挖掘的发展、功能和常用的技术和方法，介绍了独立成分分析的研究及应用现状。 第二章主要阐述了独立成分分析的统计特征、理论模型及独立成分分析模型的几种估计方法。 第三章提出了一种基于独立成分分析的缺失数据值估计模型ICA-MDE。ICA-MDE模型首先对数据进行了抽样与标准化，接着利用设计出的一种指标筛选方法选择出适当的指标，将问题转化为标准ICA问题再进行处理，然后用支持向量机的方法进行密度函数的估计，最后对缺失数据值进行估计。与主成分混合(MPCA)方法和平均值估计方法相比，ICA-MDE具有更好的通用性和更高的估计精确度。 第四章首先在可视化诱导自组织映射(ViSOM)基础上提出了一种改进的数据可视化方法MViSOM，然后在ICA与MViSOM的基础上提出了一个新的数据可视化模型IMViSOM。数据挖掘中高维数据可视化方法ViSOM能将高维数据映射到低维数据，并保持数据之间一定的拓扑结构不变性，但它同时有三个不足之处，一是ViSOM方法中一个非常重要的参数λ目前一般是凭经验确定，因而带有较大的随意性；二是ViSOM方法没有考虑数据之间的相关性；三是当ViSOM输出网络结点太多则会消耗大量内存开销，输出网络结点太少则难以分析数据的可视化结果。与ViSOM相比，IMViSOM方法能较合理地确定参数λ的值，并且在对群聚数据的可视化分类效果及在运算速度方面都优于前者。 第五章在独立成分分析的基础上提出了ISMO与IMVOM两种孤立点挖掘模型。ISMO利用ICA与支持向量机的方法近似估计数据的密度函数，并由各个数据点的密度值大小确定孤立点。IMVOM模型首先利用IMViSOM方法取得数据可视化，并结合了“人类擅长于模式识别的能力”进行孤立点的挖掘。本章中的两个实验结果分别验证了ISMO与IMVOM孤立点模型的合理性。 第六章提出了一种广义带噪的独立成分分析模型GWNICA，并对GWNICA的求解进行了详细的分析和推导，设计出了相应的GWNICA算法。然后在GWNICA与AR(p)的基础上提出了一种金融时间序列预测模型GNI-AR(p)。实验结果显示，GNI-AR(p)对金融时间序列的预测效果要好于AR(p)，说明了GWNICA模型与GNI-AR(p)模型的合理性，为时间序列数据挖掘提供了一种有效的方法。