生物状态信号是反映生物体生命指征状态的信息载体。其中,表面肌肉电信号（Surface electromyography,sEMG）是一种产生于肌肉生理活动期间的电信号,承载着大脑运动意图与肌肉动作信息,因其具有监测方便、信息丰富、非侵入、无伤害等优点,而受到广泛关注。时频分析技术是分析具有复杂性、不确定性以及多单元并发性等特性的sEMG信号的有效工具。然而,传统时频分析方法往往受到海森伯格不确定原理的限制,导致时频谱能量发散严重、特征模糊,难以提供高分辨率的分析结果,极易造成分析系统精度低、可靠性差,甚至出现误诊断。因此,研究适用于生物状态信号处理的时频分析技术,并不断应用到生物信号分析中,既可以极大地丰富sEMG信号特征提取理论,又能推动疾病诊断、医学康复等领域向着更深、更高层次的发展,具有重要的理论与应用价值。本文针对传统时频分析方法无法满足sEMG信号处理中的非平稳特征表征与微弱特征增强的问题,分别以信号的时域模型与频域模型为基础,研究高阶多次压缩变换、非线性同步压缩变换、二阶瞬时多次压缩变换以及特征增强算法等基础科学问题与工程实用技术。针对传统时频分析方法能量发散导致的特征模糊问题,提出能够处理强时变信号的高阶多次压缩变换。基于时变信号模型与时频变换理论基础,推导瞬时频率算子的估计误差,并提出多次压缩策略用于改善算子误差;基于高阶时变信号模型,提出能够处理强非线性信号的高阶多次压缩变换,摆脱海森伯格不确定原理的束缚。通过对仿真与实验信号处理,验证所提方法的能量聚集性、重构性能以及抑噪性能。为解决信噪比低信号难以提取关键时变特征问题,提出能够处理强背景噪声下的非线性同步压缩变换。基于线性调频信号时频谱能量分布的理论基础,引入非线性调频算子,用于改善时频谱能量集中度,并提出非线性时频变换方法;进而提出瞬时频率估计算法与迭代时频变换处理策略,用于逐步改善低信噪比特征表达问题。通过对仿真与实验信号处理,验证所提方法在强噪声背景下,依然能够有效捕捉信号非线性特征与关键信息。对于瞬态信号处理与特征提取问题,提出适用于瞬态信号处理的二阶多次瞬时压缩变换。基于弱频变信号时频变换的理论基础,推导群延迟算子的估计误差,并引入时间方向的多次压缩策略用于改善估计误差;进而推导能够用于处理复杂频变信号的高阶群延迟算子,并结合多次压缩策略,从而提出二阶多次瞬时压缩变换。通过对强频变仿真信号与实验信号分析,验证所提出算法的能量聚集性以及重构性能。面对传统时频分析方法难以反映信号微弱特征的问题,提出针对时变信号与频变信号处理的微弱特征增强算法。基于瞬时频率算子与群延迟算子,引入Delta函数对信号中微弱成分特征进行增强,基于二阶算子对能量聚集性进行提升,并且结合硬阈值抑噪算法对噪声分量进行抑制。通过多组仿真时变信号与瞬态信号分析,验证所提方法放大微弱分量特征的性能。本文针对传统时频分析方法无法满足生物信号处理中的非平稳特征表征与微弱特征增强的问题,分别以信号的时域模型与频域模型为基础,研究了高阶多次压缩变换、非线性同步压缩、二阶瞬时多次压缩变换以及微弱特征增强算法等基础科学问题与工程实用技术。在上述研究基础之上,将所提出的时频分析方法用于上肢sEMG信号处理与动作模式识别等应用中,利用所提出的时频分析技术获得信号频率成分随时间变化的特性,用以挖掘更多有关运动单元状态的信息。并对运动单元系统的动态特性进行深入了解,对sEMG信号非线性特征进行有效提取与辨识,识别出引起信号关键参数变化的产生机理与传递规律,具有重要的理论价值与应用价值。