经验模式分解是近年来提出的一种新的信号处理方法,是一种完全由数据本身驱动、自适应的分解过程,不依赖于预先设定的基函数,故能对非平稳非线性信号进行有效的分析。它的自适应性和局域性能很好的表征信号的瞬时频率和幅度,从而将信号表示成具有实际物理意义的形式。由于现实中的信号多为非平稳非线性信号,经验模式分解及其应用已成为近年来国内外热门的研究课题。本文通过分析经验模式分解方法的原理,对其关键技术进行研究并提出了一种改进算法。本文对一维(EMD)和二维(BEMD)经验模式分解算法进行分析研究,针对实现BEMD分解中极值点提取和包络曲面拟合两大技术做了对比研究。采用邻域比较法提取极值点、基于径向基函数求取包络面的方法对图像进行分解。实例表明,此方法能较好的将图像分解为频率逐渐减小的N个IMF和余项的和。对BEMD的理论和分解过程进行了详细的分析,总结了BEMD存在的问题。“边缘效应”、插值函数选取、筛分终止条件选取、计算量大都是BEMD经典难题。本文提出了改进的BEMD方法,舍弃了用插值函数算法求取包络面,从而避免了“边缘效应”、筛分终止条件选取等复杂过程,计算量减少了几十倍甚至几百倍,从根本上解决了BEMD运行时间长的问题。使其分解算法简单化、分解效果精确化、分解速度快速化、应用范围广泛化。通过对BEMD性质和图像特征的研究,提出将改进的BEMD方法应用于图像边缘提取和去噪。图像的边缘信息包含在高频部分,而BEMD分解后的第一个IMF是图像高频成份的体现,利用其特征提取图像的边缘信息。噪声信?息也包含在图像的高频部分,应用二次BEMD分解方法去除图像噪声,增加图像的视觉效果。通过实例表明,将BEMD应用到图像边缘提取和去噪中能够得到很好的效果。