一句话定义：ICA（Independent Component Analysis，独立成分分析）是一种盲源分离方法——只拿到几路"混在一起"的观测信号，就试图反推出背后那些彼此统计独立的原始信号。
最经典的应用叫鸡尾酒会问题（cocktail party problem）：三个人在同一个房间同时说话，两台麦克风在录。每台麦克风收到的是三个声音按不同比例叠加的结果，比例未知，三个人的原话也未知。你手上只有两段录音，能把三个人分开吗？ICA 说：可以，前提是这三个人的说话声彼此统计独立——也就是一个人的语音内容不能提供另一个人的任何信息。
原理打个比方。中心极限定理告诉我们：两个独立信号相加，结果会比原来任何一个都更"平庸"、更像高斯噪声。混合这一步，是在把信号往"高斯"的方向推。ICA 于是反着来：找一组权重，把观测信号重新拆开，让拆出来的成分尽量不像高斯分布——非高斯性最强的那个拆法，往往就最接近真正的源头。实现上常用负熵、峰度这类指标来衡量"有多不像高斯"，代表算法有 FastICA、Infomax 等。
它的固有代价是顺序和幅度的不确定：把某个源信号乘上 2、或者把两个源的顺序对调，混合结果不变，所以 ICA 解出来的成分无法保证"第 1 个就是第 1 个人"，也不能直接解读数值大小。
| 维度 | PCA | ICA |
|---|---|---|
| 追求什么 | 成分之间不相关（二阶统计量） | 成分之间统计独立（含高阶统计量） |
| 典型目的 | 降维、压缩、去噪 | 盲源分离、找潜在驱动源 |
| 对高斯数据 | 有效 | 本质上失效（高斯信号无法分离） |
| 关系 | 常作为 ICA 的预处理（白化） | 在白化基础上再旋转 |
另一支相近方法是 NMF（非负矩阵分解），它靠"非负性"分离，适合频谱、计数这类数据；ICA 靠"独立性"。
实际意义。做脑电（EEG）、脑磁、fMRI 的人常用 ICA 剔除眨眼、心跳这类伪迹，因为它们和脑活动来源相对独立；音频分离、通信抗干扰、金融时间序列找共同驱动因子也常用它。对普通职场人来说，它的启发是：当你看到一组高度纠缠的指标（比如多个渠道销量、多种传感器读数），可以怀疑它们只是少数几个独立因素叠加出来的表相，ICA 提供了一条无标签的分解思路。
用之前要清楚它的前提：线性瞬时混合、源信号相互独立、非高斯、观测路数不少于源数目。现实数据经常不满足，尤其"独立"这一条很难验证，所以分离结果需要结合领域知识判断。具体工具的参数和默认值，以官方页面为准。