从大量无规律的复杂信号中分析其特征，并提取有价值的信息，是现代科学研究中的重要问题，也是国内外学者的研究热点。传统的特征提取算法如傅里叶变换、功率谱分析法、小波变换法等对于复杂的非线性、非平稳信号的处理效果都不理想。经验模式分解算法是一种新的时频分析方法，在脑电研究、机械故障诊断等的应用中都取得了不错的效果。但由于算法本身的局限性，在应用的过程中仍然带来了诸如端点效应、负频率等问题。局域均值分解算法是在经验模式分解算法的基础上提出来的，保留了其优点并克服了其不足，尤其适合分析具有调幅调频特性的信号。本文在局域均值分解算法的基础上，对算法中存在的几个尚未解决的问题进行了详细论述，包括：针对纯调频信号的判别条件中涉及到的参数Δ的取值问题，提取了几点参考；关于局域均值和包络估计值的求取中产生的端点效应，提出了一种简单而有效的改善方法；对三次样条插值和移动平均法两种信号平滑方法进行了对比分析，指出了各自的优缺点和适用范围。最后，结合能量特征和支持向量机理论，将局域均值分解算法应用到了脑电信号和地震前驱波的分析与处理中。首先对脑电信号和地震信号进行预处理和局域均值分解，确定脑电信号前三个PF分量、地震信号前五个PF分量中包含了信号主要的特征信息；再对支持向量机核函数的参数进行优化之后，提取有效PF分量的能量值作为支持向量机的输入向量，支持向量机的输出就是不同类别信号的分类结果。研究表明，本文提出的算法可将想象左右手运动BCI实验的分类准确率提高到92.25%，在地震预报中的准确率可达到62.24%，明显优于传统的算法。