經驗模態分解（Empirical Mode Decomposition，EMD）是由 Huang等人於1998年提出的一種針對非線性、非平穩信號的自適應信號分解算法。自該方法提出以後便得到了學術界的廣泛關注與研究，經過十幾年的研究與發展，在理論方面EMD算法取得了進一步的完善。許多國內外學者也將該方法套用到了地球物理領域，並做了深度的研究與探索。與傳統的基於Fourier變換的信號分析方法相比，EMD不僅突破了Fourier變換的局限性，而且不存在如小波變換一樣需要預選小波基函式的問題，具有良好的時頻解析度和自適應性，能夠完美地重構原始信號，同時具有突出信號中可能被忽視的精細地質構造的潛能。在噪聲壓制方面，EMD將含噪信號分解後，能夠將信號中的噪聲和有效信號在不同的固有模態函式（intrinsic mode function，IMF）中分離開來，通過合理地選擇IMF重構信號，達到去除噪聲的目的。
Hilbert-Huang 變換是一種適用於分析非線性、非平穩信號的數據處理方法，它是由美籍華人 Huang 以及他的同事在 1998 年提出的，從本質上講這種方法是要對一個信號進行平穩化處理，得到信號的時間-頻率-能量特徵。HHT 是近年來在信號處理領域中的一項重要突破。HHT 是分 EMD 和 Hilbert 變換兩步來實現的，首先對非線性、非平穩信號進行 EMD 分解，逐級分解出原始信號中不同尺度的波動或變化趨勢，這些具有不同特徵尺度的一系列時間序列分量叫做本徵模態函式(IMF)，接著對每個 IMF 分量進行 Hilbert 變換。對於 EMD 分解得到的每個分量都有著不同的頻率成分，通過對各分量的 Hilbert 變換能夠得到具有物理意義的瞬時屬性參數。
Hilbert-Huang 變換擺脫了 Fourier 變換的束縛，是一種適用性更強的時頻分析方法。自 HHT 從提出到現在的短短十幾年中，已受到了國內外不同領域學者的廣泛關注，並將其在不同領域進行了研究和套用。HHT 方法現在已經被套用到了氣象科學、海洋研究、生物醫學、信號降噪、橋樑工程、遙感中的圖像處理、水波分析、文字識別、機械故障或結構損傷、旋轉機械振動信號分析、財政數據處理、非線性研究等領域中，不僅展現出其獨特的優點，而且得到了良好的數據分析結果。
經驗模態分解(EMD)算法是通過算法過程定義的，而並非由確定的理論公式定義的，所以對其進行準確的理論分析非常困難，我們目前只能藉助大量的數字仿真試驗不斷對其性能進行深入的研究。 EMD算法的目的在於將性能不好的信號分解為一組性能較好的本徵模函式（IMFIntrinsic Mode Function ），且IMF須滿足以下兩個性質：
(1)信號的極值點(極大值或極小值)數目和過零點數目相等或最多相差一個；
(2)由局部極大值構成的上包絡線和由局部極小值構成的下包絡線的平均值為零。
EMD算法的計算步驟如下：
（1）找出原數據序列X(t)的所有極大值點和極小值點，將其用三次樣條函式分別擬合為原序列的上和下包絡
線；上下包絡線的均值為m1；將原數據序列減去m1可得到一個減去低頻的新序列h，即h1=X(t)－m1；
一般h1不一定是平穩數據序列，為此需對它重複上述過程。如h1的包絡均值為m11，則去除該包絡平均所代表的低頻成分後的數據序列為h11，即h11=h1－m11
重複上述過程，這樣就得到第一個本徵模函式分量c1，它表示信號數據序列最高頻率的成分。
（2）用X(t)減去c1，得到一個去掉高頻成分的新數據序列r1；對r1再進行上述分解，得到第二個本徵模函式分量c2；如此重複直到最後一個數據序列rn不可被分解，此時，rn代表數據序列X(t)的趨勢或均值。在算法中的極值點是指一階導數為零的點。
