图像的纹理分析在数字图像处理领域中具有重要意义，它广泛地应用在遥感图像处理、基于纹理的目标识别、基于纹理的图像检索等实际场合中。Norden E．Huang博士于1998年创造性地提出了经验模式分解(Empirical mode decomposition,EMD)算法，起初该算法主要应用在一维时间序列信号的多分辨率分析，如地震信号分析和海洋波纹数据分析。与以往的傅里叶分析和小波变换方法不同，该方法将信号分解为一系列固有模态函数(Intrinsic Mode Function,IMF)及一个余量的和，这些固有模态函数满足正交性和完备性，和余量一起能够实现原始信号的完美重构。2003年，Nunes提出了严格意义上的二维经验模式分解方法，并采用该方法对图像作纹理分析。本文的工作重点内容如下：(1)介绍了一维经验模式分解的基本原理，由此引入二维经验模式分解算法。分析了二维EMD分解过程中的几个关键性问题，在传统二维经验模式分解的基础上，提出了一种改进型的二维EMD方法，改进方法在极值点的选取、边界效应的处理等问题上有不错的表现。给出了该改进算法的具体实现步骤，在Matlab环境下完成了程序代码的编写。并对实际图像Lena图像和Cameraman图像进行了不同尺度的分解，对分解结果进行了分析。(2)结合改进型的二维EMD方法和最小距离分类器实现了纹理图像的有效分类，先将纹理图像分解为若干个固有模态函数和一个余量图像，再计算各IMF图像的角二阶距、对比度、相关性、均匀性和熵这五个特征，组成特征向量，对纹理图像进行分类。并且根据IMF1和IMF2的纹理特征向量在纹理图像分类中的突出贡献，提出了一种基于改进型二维EMD的纹理图像分类新方法，此方法的分类正确率可以达到85.83%。(3)利用二维经验模式分解进行图像的边缘检测和图像增强。对图像进行二维经验模态分解，提取最小尺度的IMF进行二值化和形态学细化，提取图像的边缘信息。图像增强中对经过二维EMD分解得到的各尺度分量分别增强后重构，各尺度分量的增强方法采用灰度线性变换和直方图均衡的增强方法，得到最终的视觉效果比较理想的增强图像。本文中，二维EMD方法对图像的分解、灰度共生矩阵提取各分量的特征、最小距离分类器对纹理图像的分类等仿真实验，都是在Matlab7.1编程环境下完成的，较精确的纹理图像分类结果也说明了二维EMD方法的有效性和所提取特征的合理性。另外，二维EMD方法在图像的边缘检测和图像增强中也获得了较理想的结果，实验结果突显了二维EMD方法在图像处理领域的优越性。