车体的制造偏差是有众多因素造成的，这些因素的综合影响使尺寸的随机波动与漂移耦合在一起。目前国内均采用离线检测的方法对白车身进行检测，采样频率较低，相对于其产量检测数据是典型的小样本数据。检测数据趋势项与波动项的分离是质量评价和故障诊断的依据。因此，如何把小样本检测数据的趋势项与波动项合理地分离，是白车身数据处理的关键问题之一。 本文从工程实际出发，对基于小波变换的自适应数据分离方法和基于时间序列分析的数据分离方法进行了分析。利用小波分析之可变尺度的加窗技术，即利用对数据长期趋势进行提取又可获得局部的高频信息的特点，来分离白车身检测数据，通过三种典型信号的耦合与分离过程对该方法进行了论证。同时，本文还对基于时间序列分析的数据分离方法进行了分析，尽管时间序列模型是动态模型，对动态数据有外延性，可以避免求动态数据的统计特性直接加窗所造成的影响，但与小波变换分离方法相比，在检测数据分离方面，时间序列分析只是利用部分检测数据对后面的数据进行预测，然后再利用预测数据进行分离，它包含的原检测数据的信息不如小波变换多，其分离效果不如小波变换。因此，基于小波变换的数据分离方法适用于对白车身检测数据的分离，而基于时间序列分析的数据处理方法适用于对白车身检测数据的预测。 本文采用基于小波变换的数据分离方法对实际白车身检测数据进行分析，计算结果与实际情况相符，并且用统计学理论对该处理方法的置信度进行了验证。