本文介绍的经验模态分解方法主要针对语音信号分析中的模型建立过程,使用经验模态分解的方法,根据声纹数据自身的特征,产生一组自适应基底,并将数据分解为单一分量。结合贝叶斯方法,可对声纹信号进行分析以及预测。利用单一分量分析的思路,有效地降低了预测模型的阶数,提高了预测精度与节约了计算资源。经验模态分解在声纹信号分解中的应用,可以提高对非平稳过程的鲁棒性。首先,在绪论中介绍了语音信号测试的背景以及应用场合。同时,引入贝叶斯方法,结合经验模态分解所获得的单一分量信号,可获得更好的振动语音分析。之后主要介绍了贝叶斯方法的起源以及近年来的应用,并选择了线性递推模型进行后续的信号预测;然后,介绍了目前主要的几种成分分离的方法,着重介绍了短时傅立叶变换、小波变换以及经验模态分解;最后,结合贝叶斯方法以及经验模态分解,利用仿真分析,分析了白噪声序列各个本征函数之间的相关性,得出其不同阶数的相关系数仅为10^-4。验证了经验模态分解作为单一分量分离方法的可行性。利用反应谱反演获得的非平稳时域信号,对比了不同的生成参数以及轮廓函数所得到的数据,并选择指数曲线作为轮廓函数。验证了贝叶斯动态预测的可行性;针对语音信号进行了仿真分析,对比了复杂信号以及单一分量信号预测的结果,最后将本方法应用于实际的语音信号分析,得出各个单一分量预测误差（0.0013m/S2）的和小于整体预测误差（0.009m/S2）的10%。