探地雷达已经成为地球物理界广泛应用的一项探测技术。探地雷达向地下发射电磁波信号会产生散射和频散问题,会干扰目标体的识别。而且,雷达回波信号是一种非线性、非平稳信号,常规的处理方法已经不能满足探测精度要求。经验模态分解(EMD)、集合经验模态分解(EEMD)和完备集经验模态分解(CEEMD),这三种信号分解方法常用来处理探地雷达实测数据,可以把雷达回波信号分解成若干个包含雷达信号中不同频率成分的本征模态函数(IMF)。然后去掉低频和高频噪声并重构剩余的IMF分量。但是EMD也有一些不足之处,没有严格的数学理论模型、产生模态混叠现象以及噪声敏感等。EEMD和CEEMD作为EMD的改进算法,但是上述问题依然存在。2014年,Dragomiretskiy,K.等人提出了变分模态分解(Variational Mode Decomposition,VMD),相比于基于时域递归分解的EMD算法,VMD算法是一种基于频域的完全非递归信号分解方法,可以解决EMD算法的部分问题,拥有更好的噪声鲁棒性。VMD算法通过迭代搜索变分模型的最优解来确定每个IMF分量的中心频率和带宽,能够自适应地对信号进行频域剖分并有效分离IMF分量。但是VMD算法被刚提出,还没有被广泛推广,因此该算法在地球物理中有较少应用。本文将其应用到探地雷达数据处理中,用于分析探地雷达数据有用目标体信号。但是VMD算法也有一些不足之处,需要凭借人工经验预先给定惩罚参数和IMF分量个数,这两个参数对雷达回波信号分解有很大影响。为了实现最优的分解结果,确定最佳的惩罚参数和IMF分量个数,本文提出了基于参数优化的VMD方法,即通过粒子群算法(Particle Swarm Optimization,POS)对其参数进行搜索。独立分量分析(ICA)是由盲源分离技术发展而来的一种基于信号高阶统计信息的多维信号处理方法,在地球物理学中也有很多应用研究。为了解决了需要通过人工经验判断IMF分量去噪重构问题,在上文研究基础上,本文提出了一种基于参数优化和峰度值比较的VMD去噪方法。首先,取探地雷达信号邻近的两道记录,采用独立分量分析方法后得到高峰度值探地雷达有效信号和低峰度值随机噪声信号,对高峰度值信号进行相位判断并进行自动反相校正;然后利用粒子群算法搜索出VMD算法的最佳参数组合,对高峰度值信号进行VMD得到若干个IMF分量,并计算各IMF分量的峰度值,最后将独立分量分析得出的噪声的峰度值作为阈值,峰度值高于该阈值的IMF分量作为雷达信号的有效分量并进行累加得到去噪后的重构雷达信号。应用本文所提方法进行探地雷达正演模拟数据和实测数据处理,结果表明该方法能够有效地压制探地雷达信号中的噪声,提高信噪比,有利于进行数据解释工作。