大量的实验表明语音信号是一种非线性,非平稳的信号,这使得基于线性,平稳的传统的语音信号处理方法在性能上无法得到更大的提高,因此研究先进的非平稳信号的处理方法,对语音信号处理的研究有着重大的意义。希尔伯特黄变换是美籍华人N.E.Huang提出的一种新的时频分析方法,是对以傅里叶变换为基础的线性谱和稳态的一项重大突破,并广泛应用在地震波分析,语音识别,机械故障诊断等领域。希尔伯特黄变换的基本思想是将复杂的多分量信号分解成简单的单分量信号,然后再对每个单分量信号进行处理。本文结合语音信号的特点,针对希尔伯特黄变换存在的问题的提出了相应的改进算法,并通过实际的语音信号数据,对其特征进行提取。为基于语音特征的应用提供基础性的特征数据。首先,在对希尔伯特黄的基本原理进行深入研究的基础上,对目前常用的信号时频分析处理方法进行了详细介绍、分类、分析和对比,总结各自在信号处理中的优缺点。其次,重点研究了经验模态分解算法,分析和总结了其存在的不足之处。该信号分解算法,对于非线性、非平稳的信号可以得到比较合理的分解。然而,由于该算法本身存在的一些问题,在某些信号的处理过程中会出现分解后各个分量间的正交性失效、端点效应、虚假分量的产生,这些问题的存在都会直接影响着对信号特征的提取、分析、处理。本文提出了一种基于互信息理论的虚假分量的识别方法,其基本思想是,将EMD信号分解的各个固有模态函数所携带的与原始的信号的信息量或者失度作为判断虚假分量的依据,从而改善EMD分解算法的性能。再次,能否精确的构造信号的包络线,将直接影响着信号的分解结果。在构造包络线时,信号两端极值的确定是极为重要的一个步骤,如果不能恰当的确定端点处极值将会在端点处产生端点线效应,其直接结果是：随着分解的继续将会逐步“污染”内部的数据。为此本文提出了一种BP网络延拓算法,该算法能够较好的抑制端点效应的产生。最后,以Matlab 7.1为仿真平台对改进后的算法与目前已有的算法进行仿真对比。仿真实验表明,采用本文改进后的算法在虚假分量的识别方面以及端点效应的抑制方面都得到了较大的改善。