希尔伯特-黄变换(Hilbert-Huang Transform,HHT)是美籍华裔科学家N.E.Huang于1998年正式提出的一种新型时频分析方法,它可以有效地分析各种非平稳、非线性信号的时频特征,其在许多领域都得到了广泛的应用,也是时频分析领域中的一个研究热点。HHT中最重要、最具有创新性的部分就是经验模态分解方法(EMD),该方法可以自适应地把各种复杂信号分解为具有良好特性的本征模态函数(IMF),这种函数通过希尔伯特变换可以求得具有物理意义的瞬时频率,从而能够有效地分析信号的时频特征。但是目前HHT的理论框架还没有完善,特别是经验模态分解还只是建立在经验基础之上,在理论上的论证还不够严格,同时其在具体应用中还存在许多技术性问题,所有这些都亟需研究和解决。　　针对这些问题,本文分别从理论方面和应用方面对HHT的分析方法进行研究,在理论方面主要对 HHT中的瞬时频率计算方法和边界效应问题进行深入的研究探讨,而在应用方面主要是把EMD与K-S检验、概率神经网络结合成新方法对语音信号进行处理。具体的研究成果如下　　(1)对HHT中的几种瞬时频率的计算方法进行分析和比较;　　(2)应用灰色预测模型GM(1,1)预测边界极值点的方法来抑制HHT的边界效应;　　(3)应用EMD与K-S检验相结合的方法对语音信号进行加强;　　(4)应用EMD与概论神经网络相结合方法对不同说话人语音进行识别;　　对这几个方面都进行了深入的理论分析和论证,并对各个研究结论给出了相应的仿真实验和数据进行验证。