局部均值分解（Local Mean Decomposition,LMD）是一种处理非平稳或弱平稳信号数据的时频分析方法,在数据处理过程中该方法利用数据信号本身的尺度变化特征自适应地将非平稳信号,从频率的角度由高至低分解为系列单一的乘积函数（Product Function,PF）之和。现阶段LMD算法广泛应用于机械故障检测、地震波分析、特征信息提取、生物医学及图像信号分析等方面。轨道不平顺数据的处理是分析轨道空间几何状态、评定运营铁路轨道质量以及轨道养护维修的重要工作内容,动检数据是一种弱平稳的信号数据,LMD算法在处理非平稳或弱平稳信号数据方面具有独特优势,因此,拓展LMD理论在轨道不平顺分析处理领域的应用,无疑是一个极具有价值的研究内容。本文利用LMD算法对轨道不平顺数据进行去噪预处理及多尺度分析,并对LMD算法中存在的问题进行了深入研究,提出了相应完善的解决方案,主要研究成果如下:本文对局部均值分解的整体理论进行深入研究,在LMD算法的理论基础上,以LMD算法本身存在的缺点为研究对象,针对LMD算法在分解过程中存在的端点效应、滑动平均步长等相关问题进行了大量的深入研究,并提出了相应完备的解决方案。端点效应导致平滑所得局部均值函数和包络估计函数两端出现发散,并且在LMD分解过程中随着算法迭代次数的不断增加,相应的发散现象会逐渐向信号内部蔓延,使得最终所得分解结果出现失真现象,为削弱端点效应在分解过程中的影响程度,提出基于采样点斜率匹配数据序列延拓方法,来抑制LMD分解过程中的端点效应。并根据采样点斜率匹配原理提出相应的斜率匹配有效值的端点效应评价指标。通过仿真数据处理分析,证明了该方法可以有效抑制端点效应,提高LMD分解精度,且基于采样点斜率有效值可以作为端点效应的一种评价方法。此外,针对LMD分解过程中滑动平均步长的选取,本文提出一种基于黄金分割率的滑动平均步长选取方法,以信号相邻极值点间的最大距离为选取对象,对其进行黄金分割选取分割点较小的部分作为滑动平均步长,以此作为平滑的步长。通过仿真实验分析,该方法相较于传统的步长选取方法计算效率更高、局部细节特征保留的更完整,用以说明改进LMD的分解结果更优。为有效地对轨道不平顺数据进行去噪处理,构建了改进LMD算法与小波软阈值去噪相结合的组合去噪模型,该方法以LMD分解的系列PF分量的平均频率为基础,计算相邻PF分量之间的频率跃变程度,构建噪声分量分界阶数的判定准则,依据频率跃变程度判定噪声主导的PF分量并对其进行小波软阈值去噪处理,通过仿真实验分析,该方法可以更好的保留噪声分量中的有用信息,在精度和稳定性上都优于传统的去噪方法。利用改进的LMD分解方法对轨道不平顺数据进行多尺度分解,识别动检数据中不同波长的范围,提取轨道不平顺中隐含的规律波长,对轨道变形做出正确判断,准确提取、分析和合理利用动检数据中隐含的各种波长信息,从而实现轨道局部高频病害的检测与定位。