1998年美国工程院院士Huang及其合作者提出了一种新的信号分析方法——Hilbert-Huang变换(HIilbert-Huang Transform，HHT)，该方法的主要创新是本征模态函数(Intrinsic Mode Function，IMF)概念的提出和经验模式分解(Empirical Mode Decomposition，EMD)算法的引入。通过EMD算法，任何复杂信号都可以分解为有限个具有一定物理意义的IMF之和，再对每个IMF作Hilbert变换就可以得到各自具有良好物理意义的瞬时频率，最终把信号表示为时频平面上的能量分布，称为Hilbert谱。HHT能根据信号的局部特征自适应地选择基函数，可以对信号的频谱结构作出精确的局部时频分辨，从而更准确有效地把握原数据的特征信息，因此非常适合于处理非平稳非线性信号。短短数年间，HHT已被成功应用于海洋科学、地震勘探、机械故障诊断、生物医学等诸多领域，并引起了国际理论界相关专家的广泛关注与研究。本文对HHT的算法、应用和理论等进行了有益的研究和探索，其主要工作包括如下四个方面： 1.对经典EMD算法不能有效分离隐藏模式的问题进行了研究，发现由于隐藏模式的存在，导致某些IMF丧失了单分量性质，得到的瞬时频率失去了物理意义。基于信号的拐点，通过引入斜向极值点定义信号的特征时间尺度，提出了新的分解算法：基于斜向极值点的EMD改进算法。在理论和实验上对新算法与EMD算法进行的分析与比较表明，新算法不仅保持了EMD算法的有效性，且能有效地分离隐藏模式，克服了原算法的不足； 2.发现了Huang等人提出的经验AM/FM解调方法存在严重的漏洞，通过构造反例说明，单分量信号经该方法解调后可能丧失单分量性，论证了其中的原因，并提出了有效的改进算法：骑波折叠经验AM/FM解调方法。改进方法不但可以消除骑波，还可以很好地保持原信号的局部特征，得到更有物理意义的瞬时频率，是对经验AM/FM解调方法的一个有效改进； 3.对一类特殊的IMF进行了分析，给出了cosθ(t)为弱IMF的充分必要条件，以及cosθ(t)为恒幅IMF的充分必要条件，特别地，我们得出幅度为1的恒幅IMF瞬时频率恒大于0这个结论。从而对IMF完成了部分的刻划，为IMF的理论分析进行了有益的探索； 4.利用Hilbert-Huang变换的高时频分辨特性，通过采用主频中心信息作为特征，提出了一种新的虹膜识别算法，该算法不仅特征向量的维数非常低，而且具有旋转、平移、尺度、光照不变性和较强的抗噪性能，对目前世界上最大的虹膜公共数据库——中科院的CASIA虹膜数据库的识别率高达99.4％，为拓展HHT新的应用领域提供了有益的探索。