利用自适应数据分析方法分析海洋的观测数据对于研究海洋与气候变化的非线性、非平稳过程及其物理机制至关重要。本文基于经验模分解(EMD)和希尔伯特-黄变换(HHT)方法,重点研究了海洋表层温度(SST)季节变化的非线性特征及其空间分布,并建立了检验经验模分解所得到的本征模函数(IMF)的统计显著性分析方法。　　本文第一部分着重分析了SST季节变化的非线性特征。研究发现,全球海洋SST的季节变化具有较强的非线性特征,而傅里叶变换(Fourier)等方法会将SST的非线性季节变化拆分为年循环和半年、四个月、三个月和两个月等谐波,这为理解SST的季节变化及其物理机制带来了困扰。为了了解全球SST的非线性季节变化特征,本文选择了十个特征海区,对2003-2011年间各海区微波遥感SST观测时间序列进行了EMD分析,并对所得到的调制年循环(MAC)变化形态及其影响机制做了初步探讨。　　对每个IMF进行统计显著性检验是进一步理解其所对应物理过程的基础。白噪音零假定条件是较为广泛使用的噪音检测方法之一,目的是确定信号是否显著地区别于白噪音。然而海洋与气候变化大多具有显著的滞后相关特征,因此采用白噪音零假定是不合理的。本文第二部分主要发展了检验IMF显著性特征的分析方法,借助周期性变化的信号和噪音序列在不同数据采样间隔下特征不同这一性质,提出了基于EMD的分数采样间隔重采样分析方法。通过重采样后的数据各个IMF的希尔伯特-黄谱的不同特征和加权平均频率随采样间隔的变化,来判断每个IMF是否能够区别于噪音所具有的统计特性。利用这一方法,本文着重分析了南方涛动指数(SOI)、北大西洋涛动指数(NAO)和SST的半年及年循环等时间序列,分析结果表明SOI和NAO在2年、4年和10年时间尺度上的IMF分量不能显著地区别于噪音过程,而印度洋SST的半年周期、年周期振荡则可以显著地区别于噪音。