现如今,信息成为了信息化时代中最为重要的资源之一,而这些信息通常对应于信号当中的成分,从信号中能否有效准确地获取到需要的信号成分便是目前一类重要的研究问题。在众多的信号种类当中,时变信号一直是备受关注的研究对象,如脑电信号和音频信号,这两者都是时变信号中的典型代表,有着非线性非平稳的特征。多数情况下,可以认为时变信号是由两种成分组成:稳态成分和突变成分,其中的突变成分便是通常所需要的信号成分,包含着关键的信息。为此,本文提出一套用于分析时变信号中突变成分的方法,具体分为三个环节:突变成分检测方法、突变成分表示方法和突变成分识别方法。突变成分检测方法,能够有效精确地检测出时变信号中的突变成分。在方法的实现中,首先明确了稳态成分与突变成分的含义及区别,进而提出了启发式掩模经验模态分解方法用于时变信号的分解,能够有效地避免模态混叠现象和维度不一致问题,配合希尔伯特变换可以得到由瞬时频率和瞬时能量组成的检测特征。检测特征作为训练支持向量机的特征向量,同时结合窗长自适应更新策略,能够有效地将时变信号中的突变成分检测出来。通过在脑电信号和音频信号上的实验验证了该检测方法有效可行,同时能够达到较高的检测精确率和检测召回率。突变成分表示方法,能够有效精准地表示出时变信号中的突变成分。在方法的实现中,利用了稀疏建模在成分有限的信号中进行表示的优势,提出了基于双稀疏模型的稀疏字典初始化方法,能够在增强字典结构可解释性的同时,加速字典的学习优化速度。将时变信号中的稳态成分与突变成分分别训练得到对应的稀疏字典,再与一定的稀疏表示系数矩阵结合得到用于学习调优的初始化字典。在对结构化字典学习调优时,对传统的基于奇异值分解的字典学习方法进行调整,对其中的惩罚项引入稀疏性能指数,在字典学习结束后能够得到准确表示突变成分的稀疏字典和稀疏表示系数矩阵。通过在脑电信号上的实验验证了该表示方法有效可行,同时能够达到较小的信号重构误差。突变成分识别方法,能够有效精确地识别出时变信号中的突变成分。在方法的实现中,研究了基于稀疏表示分类器的应用及实现方式。对于识别特征的提取,提出了基于局部稀疏表示系数的提取方法,需要对已有类别的各个样本集单独训练出对应的稀疏字典,并将其简单合并,将待识别信号样本利用正交匹配追踪算法计算得到稀疏表示系数向量,通过局部保留函数的处理,得到仅保留某一分量的稀疏表示系数向量,结合已经合并的字典进行重构,重构误差最小的对应分量即可判断出类别。此外,为了避免由于训练数据集中错误的标签信息给识别分类器带来的负面影响,设置了去除阈值与置入阈值。通过在音频信号上的实验验证了该识别方法有效可行,同时能够在一定程度上降低错误标签信息给识别分类器造成的干扰。本文提出了一套应用于时变信号中突变成分的分析方法,具体为突变成分检测方法、突变成分表示方法和突变成分识别方法,方法中综合利用了时变信号中稳态成分与突变成分的属性特征及区别,在脑电信号和音频信号中均达到不错的效果。此外,在已提出的突变成分分析方法的基础上,将该分析方法进行了系统化整合,实现了自动智能化的系统处理,为时变信号中突变成分的后续处理和方法发展奠定了理论和实践基础。