本文依托国家自然科学基金“复合材料薄板粘接缺陷超声检测量化识别研究”,使用信号处理领域的新型自适应时频分析方法对超声回波信号进行分析和处理,以详细的实验数据和精确的实验结果为复合材料粘接缺陷的自动识别提出了新的研究方向。使用超声检测采集电路得到的回波信号是一种典型的非线性非平稳信号。基于这一认识,通过查找相关文献,本文将重点关注已经被应用于典型非平稳信号处理的时频域分析方法。首先在已经被实现的EMD(Empirical Mode Decomposition)方法提取回波信号特征的基础上,针对传统EMD分解中出现的端点效应进行深入分析,提出了基于镜像延拓思想的改进EMD算法以减小端点效应对EMD分解过程的影响,并通过仿真验证了镜像延拓EMD方法在克服端点效应方面优于传统EMD方法。在使用EMD处理回波信号时还发现其存在混叠现象,这会导致分解得到的各IMF(Intrinsic Mode Function)分量不能真实表征信号的不同振动模态,因此本文利用最新的白噪声特性的研究成果,人工将白噪声添加到待分析数据中,再对合成信号进行EMD分解,这种方法就是EEMD(Ensemble Empirical Mode Decomposition),它是一种改进型EMD分析法。通过信号经EEMD分解后产生的IMF分量的Hilbert谱图证明EEMD方法能够在很大程度上克服模态混叠,这是对于经典EMD方法的巨大改进。在使用EEMD方法处理回波信号时,本文还研究了信号经EEMD分解后得到的IMF分量对粘接缺陷的敏感程度,提出了敏感度评估算法并与EEMD方法结合用于回波信号处理,得到了较高的缺陷识别精度。与EMD方法类似,第五章中介绍的LMD(Local Mean Decomposition)方法也是一种基于信号自身特性的自适应分解方法,而且LMD方法在克服能量泄漏、减少迭代次数和保留信号信息完整性方面要优于EMD和EEMD方法,故本文将其作为回波信号的特征提取方法之一。将上述算法用于回波信号特征提取,就得到了表征脱粘度的特征矢量,使用支持向量机识别算法对提取的特征进行分类用于粘接缺陷的量化识别,得到了高精度的识别结果,这说明前述时频分析方法可以有效揭示非平稳信号的时频规律进而正确识别复合薄板的粘接缺陷。