Hilbert-Huang变换是一种全新的时频分析方法,由美籍华人Norden E.Huang于1989年提出,此方法适合处理非线性非平稳信号的分析,它包括经验模式分解和希尔伯特谱分析两部分,不仅具有较高的研究价值,其在实际应用中也显示了非常广阔的前景。经验模式分解的提出,开启了后小波时代。J Nunes等人在一维经验模式分解的理论基础上,提出了二维数据的EMD即二维经验模式分解,能够处理自然界存在最多的非平稳的灰度图像。但二维经验模式分解与一维经验模式类似,由于其数学理论不完整,还存在很多问题,包括模态混叠、端点(边沿)效应、过分解和欠分解、计算时间过长等问题。本文回顾了经验模式分解与二维经验模式分解原理与算法流程,阐述了其中的共同点和差异。其中对二维经验模式分解进行详细阐述,包括二维数据情况下极值点的获取、通过极值点如何获取上下包络面,筛分终止条件等内容。并分析二维经验模式分解存在问题的原因。针对二维经验模式分解存在问题,本文从其原理出发,对二维经验模式分解算法进行改进。分解产生的固有模态分量和局部均值分量具有一定特性,本文通过这些特性构建目标函数和其约束,并通过对偶函数将该约束问题转化为无约束优化问题,通过一步运算即可获得固有模态分量和局部均值分量。再将局部均值用于下一次求解,通过多次运算直到获得的局部均值分量在图像内部无极值点,停止迭代,分解完成。该改进版算法一步运算不需要多次筛分迭代,不会误差累积,减小端点效应;同时一步运算减少运算量,防止过分解和欠分解。本文再通过将改进版二维经验模式分解用于图像分析,类似于高光谱多个通道,每个通道具有不同频率,可以对每个点构建特性向量。二维经验模式分解的图像具有更多的信息。可以对某一层的数据分析,可以对多层信号数据分析。本文首先通过将皮革图像分解的多个通道用于皮革缺陷检测,将纹理的影响和光影的影响去除,使缺陷信息更容易被观察到;本文最后通过改进分解算法对焊点图像做分解,再通过构建的深度神经网络对分解分量做缺陷样本分类。