近十年来，子带滤波器组的理论和设计受到广泛的关注，使得子带滤波器组的理论和应用成为数字信号处理领域中一个非常活跃的研究课题，而同时，越来越多的研究者关注于子带滤波器组的设计。本文在系统地阐述和分析了国内外子带滤波器组的理论和设计方法的发展历史和现状的基础上，结合近年来现代信号处理技术所取得的重大成就，提出了一种信号提取方法——基于小波变换的子带自适应滤波算法。 小波变换具有优良的时频局部化特性。本文详细地分析了小波变换对信号噪声干扰的抑制机理。小波变换中的Mallat算法可以将数字信号分解为若干正交的子频带，并且信号的任何局部位置将分别表现在不同的小波子空间中，在频域中的表现是带状的，彼此不重叠的。这种子带频率分析方法是关于频域局部化功能的一种表现，有效地解决了子带滤波中子带划分的问题。用小波变换进行频带的划分就是将数字信号进行多尺度数学逼近，它可以等效为使用多采样率滤波器组对数字信号进行滤波，与尺度函数及小波函数相联系的低通滤波器和带通及高通滤波器组成。在小波分解的情况下，这些滤波器没有重叠通带部分，而是共同覆盖了输入信号的整个频带。在每次的分解过程中，信号的时间分辨率下降一半，信息量也损失一半，对于有限长度序列，其信号长度也减半。这样，每个子带滤波器比全频带滤波器具有更短的冲激响应，在各个子带的权值更新的过程中，可以采用不同的步长，这将得到比全频带滤波器更快的收敛速度。 人工神经网络技术己有很长的历史，但近些年来进展非常迅速。研究表明该技术在很多领域都具有广阔的应用潜力，如预测预报、模式识别、自动控制等领域的智能模拟和信息处理。大量的研究表明：神经网络技术具有大规模并行处理、分布式存储、自适应性、容错性等显著优点，利用该技术可以有效地解决信号处理中难以精确建模、具有高度非线性和各种不确定性的问题。人工神经网络技术的关键在于建立一个既有一定理论基础又具适用性的网络模型。这涉及到三个主要方面：网络算法的优选；网络结构的合理确定；信息的充分利用。 本文从上述理论出发，提出了一种基于小波变换的子带自适应滤波算法，该算法在相同的噪声背景下，对信号的提取具有更快的收敛速度，与传统的信号的检测方法相比，具有更重要的应用价值。最后应用该算法对含有噪声的心电信号进行提取的应用研究，对带噪声的语音信号增强的应用研究，取得了较好的效果。本文所提出的算法和在信号提取中的应用，将对复杂噪声下有用信号的提取方法也会产生深远的影响。