随着时代的发展和科技的进步,特征提取已经成为了信号处理、模式识别、地球物理勘测和机械故障诊断等众多研究领域不可或缺的技术。特征提取就是将能表征数据特征信息的部分从大量数据中提取出来的过程。一直以来,由于理论水平的落后和研究工具的不足,我们往往将信号视作平稳的来进行分析和处理,这样不管从时域还是频域分析起来都非常方便,但是忽视了信号在时域和频域的内在联系,只能给出统计平均结果。然而,自然界和工程领域中绝大多数信号并不具有周期性和平稳性,因此,对非平稳信号展开研究越来越受到人们的重视,已经成为了科学研究和工程领域不可或缺的一部分。本文针对非平稳信号分析和处理从频域到时频域的发展,围绕时频分析和特征提取等问题展开研究,比较了几种时频分析和特征提取方法的原理、优缺点和适用性,从而针对信号特征提取中的焦点问题证明了非负矩阵分解算法应用于信号时频特征提取的优越性。首先,本文分析了Fourier变换的局限性而导致的信号处理当中从频域到时频域的发展,介绍了Gabor变换、短时Fourier变换、小波变换、双线性时频变换、自适应信号分解、经验模态分解等信号时频分析方法的基本原理,同时对比了这些方法的优缺点和适用范围。其次,本文引入了非负矩阵分解算法这一矩阵分析方法,针对该方法的优点,研究了非负矩阵分解算法应用于信号时频特征提取的优越性,从理论和仿真实验两个方面论证了该方法的适用性,在此基础上提出了一种改进算法,同时提出了反映信号时频特征的频谱矩、时相矩和稀疏特征。仿真结果表明,非负矩阵分解算法较之传统时频特征提取方法具有算法简便、特征提取结果明显的优点。最后,在分析了非负矩阵分解算法提取信号时频特征结果的基础上,研究了该特征提取方法及其改进算法的性能。仿真结果表明了非负矩阵分解算法应用于信号时频特征提取的有效性。采用隐马尔科夫模型基于稀疏特征对四类信号进行目标识别,识别结果验证了稀疏特征的有效性和适用性。