变形监测数据处理与分析是获取变形监测数据之后的重要工作,复杂变形监测数据中包含趋势信息、奇异信息等隐含信息,对其采用合理的变形监测数据处理与分析手段,不仅能对变形做出正确判断,而且准确提取、分析和合理利用监测数据中隐含的各种信息更能起到防灾减灾的重要作用,这亦是当今测绘领域的研究热点。局部均值分解(Local Mean Decomposition,LMD)是一种新的时频分析方法,能将任意复杂信号分解为若干个具有物理意义的乘积函数(Product Function,PF)分量,LMD可用于处理各种非平稳、非线性的多尺度自然信号。本文对于LMD理论及其在变形监测数据隐含信息提取与处理中的应用进行了深入探讨,主要研究成果如下所述:在LMD算法理论基础上,针对LMD筛分纯调频信号采用硬阈值准则这一现状,提出一种筛分纯调频信号的自适应筛分停止判据,利用筛分停止判据函数决定迭代循环过程,该函数从整体偏差及局部异常两个方面对包络估计函数进行描述,利用求得的相邻三次函数值决定迭代停止条件,以此获取纯调频信号,然后得到对应的乘积函数。此外,提出一种滑动平均步长的选取方法,该方法从统计理论的角度出发,以信号相邻极值点间的距离为基础,利用所有极值点间的距离信息,将整个极值点间距数据集视为一个整体,以此自动求取平滑平均的步长。通过仿真实验,将LMD改进算法与传统LMD及EMD(Empirical Mode Decomposition,EMD)进行对比,用以说明改进LMD的分解结果更优。以LMD改进算法为基础构建组合分析模型,应用于变形监测数据隐含信息提取与处理中,并结合实际案例进行说明。LMD结合多尺度相关性分析应用于全球平均海平面变化趋势信息提取的研究中;LMD结合连续均方误差准则(Consecutive Mean Square Error,CMSE)应用于GPS多路径改正模型的研究中;LMD结合支持向量回归机(Support Vactor Regression,SVR)和粒子群算法(Particle Swarm Optimization,PSO)应用于GPS单频周跳探测与修复的研究中。通过实际案例证明了基于LMD改进算法构建的组合分析模型在变形监测数据处理与分析中的适用性与优越性,也证明了在趋势信息、奇异信息等隐含信息提取处理方面的可行性。