该文根据Hilbert-Huang变换的原理，给出了二维内蕴模式函数分量的递推形式，实现了二维Hilbert-Huang变换的分解方法，并在图像分解应用中取得了满意的效果，从而拓展了Hilbert-Huang变换的应用范围。通过把原始图像自适应分解成有限数量的子图像，图像的细节能清晰地被分解出来，这在数字图像处理中有很重要的意义。

该文对可转变认证加密进行了研究，指出了Wu-Hsu(2002)方案和Huang-Chang(2003)方案中存在的问题，分别给出了这两个方案的改进方案，很好地解决了认证加密方案的公开验证问题。

该文提出一种通用的时间数字转换器(TDC)码密度校准信号产生方法，该方法基于相干采样理论，通过合理设置TDC主时钟和校准信号之间的频率差，结合输出信号保持电路，产生校准用的随机信号，在码密度校准过程中，随机信号均匀分布在TDC的延时路径上，实现对TDC的bin-by-bin校准。基于Xilinx公司的28 nm工艺的Kintex-7 现场可编程门阵列(FPGA)内部的进位链实现一种plain TDC，利用该方法校准plain TDC的码宽(抽头延迟时间)，研究校准了2抽头方式下的TDC的性能参数，时间分辨率(对应TDC的最低有效位，Least Significant Bit, LSB)为24.9 ps，微分非线性为(–0.84～3.1)LSB，积分非线性为(–5.0～2.2)LSB。文中所述的校准方法采用时钟逻辑资源实现，多次测试考核结果表明，单个延时单元的标准差优于0.5 ps。该校准方法采用时钟逻辑资源代替组合逻辑资源，重复性、稳定性较好，实现了对plain TDC的高精度自动校准。该方法同样适用于其他类型的TDC的码密度校准。

Hilbert-Huang变换(HHT)理论通过经验模态分解(EMD)提取信号的内蕴模态函数(IMF)，并对IMF利用Hilbert变换得到信号的时频幅度谱和边际谱。在总结Hilbert变换理论和算法实现局限性的基础上，提出基于过零点-极点估计求取IMF瞬时频率、幅度算法，通过对离散信号插值运算精确求取过零点和极点位置，并据此求出相应点的瞬时频率和幅度，最后采用三次样条求取信号的瞬时频率幅度曲线。通过几个典型的例子对该算法进行检验，结果表明，与Hilbert变换结果比较，借助该算法得到信号的时频幅度谱和边际谱结果更精确、频率分辨率更好。

该文提出了一种基于空时分组编码的多输入多输出频域均衡单载波分组传输(MIMO-SC/FDE)系统的空间分集接收方案，通过在Huang(2004)提出的分集结构中引入使用空时分组编码的发射分集，弥补了因减少DFT块数目而造成的性能损失，同时在接收端进一步减少了IDFT块的数目；通过适当设计空时分组编码，还可以进一步提高数据传输速率。该文详细推导了使用空时分组编码后的处理过程，并对使用空时编码后的MIMO-SC/FDE系统和相应的MIMO-OFDM系统性能进行了仿真比较。仿真结果表明，MIMO-SC/FDE系统的性能从总体上优于MIMO-OFDM系统。

经验模态分解(EMD)的一个关键问题是处理边界效应。尽管目前除了Huang申请了NASA专利的边界处理方法，仍没有一个最终的解决方案，但工程上已经提出了多种处理方法。本文实现了工程上常用的5种EMD边界处理方法：线性外延，多项式拟合，镜像法，径向基(RBF)神经网络预测和AR预测方法，设计了一套消除了EMD处理中信号的相互作用及模式混淆影响的测试方法，并利用准周期信号和随机信号对它们的边界效应处理结果进行了定量测试。结果表明镜像法是目前相对最优的EMD边界处理方法。

穿墙雷达动目标探测中人的心跳、呼吸、手臂摆动等运动的微多普勒信号是非线性、非平稳信号，可以采用经验模式分解(EMD)对其进行时频分析。由于EMD分解存在模式混合问题，该文提出一种改进的整体平均经验模式分解(EEMD)方法，并将其应用于穿墙雷达人的运动微多普勒特性分析中，并且对分解后的每个本征模式函数(IMF)进行Hilbert-Huang变换(HHT)，得到信号的时间-频率-能量谱。仿真数据和实验结果分析均表明，改进的EEMD方法不仅能够有效消除EMD中的模式混合问题，将人运动微多普勒信号中的不同频率尺度分解在不同的IMF中，而且还能够有效抑制原始信号中的噪声，提高信噪比，得到更精细、更清晰的时频分布。

耳语音作为人类发音的一种特殊形式，与正常语音相比具有信噪比低、元音的周期特征不明显等特性，因而耳语音处理比正常语音更为困难。耳语音处理研究的第1个关键步骤就是语音的端点检测，该文利用希尔伯特-黄变换(Hilbert-Huang Transform, HHT)中的经验模态分解(Empirical Mode Decomposition, EMD)，首次提出了一种基于EMD拟合特征的耳语音端点检测新方法。利用EMD得到的内禀模态函数(Intrinsic Mode Function, IMF)能量，以其归一化拟合参数为耳语音端点检测的特征，可以准确地划分出耳语音端点。实验表明，该方法在耳语音端点检测中取得了很好的效果，在1200个信噪比为2～10dB的测试样本中，检测准确率为98.25%。