信号分类一直是研究热点之一,如何对信号进行准确分类也是众多研究者追求的目标之一。分类在故障诊断和纹理图像检索中具有重要作用,在故障诊断运用中,可以通过对故障信号的识别分类,确定故障设备及原因。而在纹理图像检索中,良好的分类算法可以为用户快速的提供准确图像,满足用户需求。近年来,对小波理论和隐马尔科夫模型的研究都取得了飞速发展,小波域隐马尔科夫模型为二者的结合,是目前研究的热点。本文对基于小波域隐马尔科夫模型进行了研究,讨论了小波域的选择在信号分类中的影响、以及隐马尔科夫模型在信号分类中的效果,并将其应用于一维信号和二维信号分类中,分别以齿轮故障信号和纹理图像检索为例进行了研究。本文工作如下:1)齿轮故障诊断方法中,采用小波域HMM方法。本文通过建立一个二叉树隐马尔科夫模型结构,用小波变换后得到的系数值,训练隐马尔科夫模型参数,根据计算测试样本和模型之间的相似概率值来确定故障信号的类别。小波系数能很好地表征信号的宏观和微观信息,用其来训练模型参数能更精确,二叉树结构的隐马尔科夫模型可以较好地刻画小波系数父子之间的相关性。通过仿真实验,该方法取得了很好地分类效果。2)在纹理图像检索中,提出一种基于抗混叠轮廓波的隐马尔科夫树算法。从特征提取和相似性度量两方面进行了探讨,特征提取方面,讨论了轮廓波变换和抗混叠轮廓波变换的优缺点,抗混叠轮廓波HMT能很好地表征尺度信息和方向信息;相似性度量方面,基于HMM模型的应用中,多采用传统的KLD来计算两个模型之间的距离,但由于传统KLD不满足三角不等式性质,故采用改进KLD来度量两个HMM模型之间的距离。通过对比实验,小波域的不同选择能提高纹理检索率,同时改进KLD距离也能提高相似性度量的精确性,从而提高检索率。