高光谱遥感具有高的光谱分辨率,能为像元提供几乎连续的波谱曲线,高光谱遥感具备反演地物细节的能力。高光谱数据是复杂的非线性非平稳信号,经验模态分解(Empirical Mode Decomposition,简称EMD)是一种新的自适应时频分析方法,经EMD分解后的各个特征模态函数能突出原始信号的局部特征,从而更加方便地对非线性非平稳信号进行处理与分析。因此,本文尝试将EMD方法应用于复杂的高光谱数据中。本文主要工作有:(1)仔细探究常见时频分析方法及其局限性,深入研究经验模态分解的基本原理以及Huang所提出的创新性概念--特征模态函数,对EMD算法的分解过程进行了详尽的论述,以及该算法自身所具备的优越性能,指出EMD分解过程中存在的问题以及针对此提出的研究方向。(2)在高光谱数据的获取过程中,由于受到各种因素的影响,产生大量噪声,从而影响数据的最终分析结果。基于此,根据随机噪声的特性,结合高光谱数据的变化特征,提出了一种基于自相关函数特性的EMD去噪方法。通过仿真实验结果表明,含噪信号经EMD分解后,噪声主要集中在高频IMF分量中,将对应含噪IMF分量进行滤波后,与剩余IMF分量进行重构,噪声与信号进行有效地分离,从而实现对高光谱数据滤波降噪的目的,通过比较,此方法优于小波去噪。同时,将该去噪方法应用于野外实测的岩心高光谱数据,结果显示,去噪效果良好。(3)由于高光谱数据的大数据量以及岩心高光谱信号具有多变性的特点,利用传统的SAM、SCA等方法去识别高光谱数据特征并不适用。将信号进行EMD分解,使信号分析真正实现了时频局部化。经EMD分解后的各个固有模态函数突出了原始信号的局部特征,以局部反映总体。本文尝试将EMD应用在高光谱数据的特征提取中,从而寻找一种能够方便对近似光谱识别的方法,并确保此方法是有效可行的。以黄铜矿与黄铁矿为实例,分解后,得到局部特征,经过对比分析特征模态函数,实现了对黄铜矿与黄铁矿的识别。