独立成分分析(Independent Component Analysis, ICA)是一种从多维数据中寻找其具有内在独立性和非高斯性因子的数据处理方法。ICA可以在未知源信号及混合矩阵信息的情况下分离出相互统计独立的源信号。由于ICA的独立性假设前提在大多数实际问题中是可以满足的,因此ICA在语音信号处理、图像处理、人脸识别、模式识别、数据挖掘和医学信号处理等领域具有非常重要的应用价值,其理论和算法的研究也逐渐受到广泛学者的关注。ICA经过近二十年的发展日渐成熟,但是目前仍然有一些问题有待进一步完善,其中包括如何提高算法的收敛性能,以便更好的应用到实际中。本文重点研究了目前较为成熟并且广泛使用的基于负熵的快速独立分量分析算法(FastICA),并针对FastICA算法对初始值比较敏感的问题提出了一种改进算法,引入十五阶收敛的牛顿迭代修正格式对FastICA算法的核心迭代过程进行改进,仿真实验表明改进算法在保证分离效果的前提之下改善了算法对初始值的依赖性,具有更快更稳定的收敛速度。本文将改进的FastICA算法引入到视频序列运动目标检测中,将各视频帧看作由包含运动目标的前景图像和背景图像经过线性叠加而得到的观测信号,对观测信号采用改进的FastICA算法得到运动目标图像和背景图像的估计,从而检测出运动目标。实验结果显示,采用改进的FastICA算法的运动目标检测方法可以获得比较完整且清晰的运动目标图像,而背景差分法得到的前景图像中丢失了运动目标的部分信息。因此,引入改进的FastICA算法的运动目标检测方法能克服常规方法的一些缺点,具有一定的理论意义和应用价值。