非平稳信号的分析与处理在实际应用中占据着非常重要的地位，在处理这类信号时，传统的时频分析方法有短时傅里叶变换、小波变换、Wigner-Ville分布等，但它们从本质上来讲都还是摆脱不了傅里叶变换的约束，在分析非平稳信号时具有一定的局限性。Hilbert-Huang变换是美国国家宇航局的科学家Norden E.Huang等人在1998年提出的一种具有自适应性的新型信号处理方法，特别适用于非线性、非平稳信号的分析和处理，它由经验模态分解(EMD)和Hilbert变换两大部分构成。本文在对EMD算法进行深入研究的基础上对其存在的端点效应问题进行了改进，并将改进后的EMD算法应用在非平稳信号处理中。以轴承故障信号的特征提取和太阳黑子时间序列的预测这两种非平稳信号为例来进行研究。具体内容如下：（1）针对EMD分解中存在的端点效应，在对现有的信号延拓算法进行总结的基础上，采用了一种基于波形匹配法和窗函数相结合的算法，改进算法充分利用了二者的优势，有效地抑制了端点效应，提高了分解精度。（2）为了更好地准确提取出轴承故障频率，将改进的小波阈值去噪方法与EMD分解相结合应用在滚动轴承的故障诊断中。首先利用改进的小波去噪法对轴承故障信号进行去噪以便获得更好的去噪效果，然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量，最后通过能量和相关系数相结合的方法准确选取能够反映故障特征的IMF分量进行包络谱分析，进而提取出故障频率。实验结果表明该方法能够使故障特征频率处的谱峰更加明显，提高分析的准确性。（3）为了更好地对太阳黑子时间序列进行预测，将EMD分解和组合预测模型方法相结合运用到太阳黑子时间序列的预测中。首先将经过去噪处理后的太阳黑子序列通过EMD分解进行处理，将其分解为一系列相对平稳的IMF分量，然后针对高频分量相对较复杂而低频分量和余项规律性较强的特点，对低频分量及余项选择RBF模型进行预测，对高频分量采用SVM模型进行预测，最后将各个分量的预测值相叠加得到最终预测值。仿真结果表明EMD分解和组合预测模型相结合能进一步提高预测准确性。