非平稳非线性信号日益成为学者研究的热点,构成了现代信号处理学科的重要内容。对于传统的处理信号的方法,用于处理非平稳非线性信号显得欠缺,因为它们只是在时域,或者在频域处理信号,是不能够有效的提取到非平稳信号的非线性特征,时频分析方法正是为解决这个问题而出现。论文首先介绍了目前的一些信号处理的方法,通过分析得知每个信号处理方法都有它的针对性以及局限性,针对非平稳信号的特征提取、特征选择与模式分类问题,研究利用小波包分解方法提取时频域特征,采用核主成分分析(KPCA)方法进行降维提取特征;利用支持向量机(SVM)进行智能分类,解决基于时频分析的非平稳信号智能特征提取与模式分类。研究主要的工作是以下几个内容:(1)针对非平稳信号的非线性特征问题,采用小波包分解方法提取能量特征。首先介绍了小波以及小波包的基本理论,小波分解只是针对低频再次分解,对高频不再分解,故而有的时候会损失重要的高频信息。而小波包分解克服了小波分解,不能再次进行高频分解的缺点,能够对信号的高频部分再次进行分解,使得能够获得高频有用的信号,最后研究了基于小波包分析方法的特征能量的提取。(2)采用核主成分分析方法解决非平稳信号中主要特征选择的问题。先分别介绍了PCA和KPCA的降维特征选择方法;并对两者降维提取特征方法进行对比,在定义性能评价指标前提下,将主成分分析和的核主成分分析方法应用于非平稳信号的特征降维中,通过仿真实验结果表明,在相同准确度下,核主成分分析的特征个数比主成分分析的少;取与主成分特征个数相同时,准确度比主成分分析高,说明在降维提取特征方面核主成分分析有更好的效果。(3)采用支持向量机解决非平稳信号智能特征提取与模式分类问题。首先介绍了支持向量机的理论,核参数的参数分析,通过实验仿真,验证了研究内容的可行性,最后给出了评价分类器性能的参数:灵敏度、特异度、准确度。(4)将方法应用到非平稳非线性的癫痫脑电信号,对脑电信号去除噪声,采用小波包分解,提取小波包分解系数的能量特征,用核主成分分析完成降维提取特征,最后由支持向量机对选择后的能量特征进行分类。实验结果表明,采用基于时频分析的小波包分解,提取非平稳癫痫信号的能量特征,核主元分析选择特征,支持向量机智能识别,得到了很好的分类准确率。