传统上，分析和处理平稳信号最常用的方法是Fourier变换和窗口Fourier变换（也称短时Fourier或Gabor变换），因它们缺乏信号时域和频域局部化分析能力，所以不太适合分析非平稳信号（Sun Yan－kui et al.，1997；Czaja，2000）。对于非平稳信号，要求窗口的大小应随频率而变，频率越高则窗口越小。小波（wavelet）变换克服了窗口大小不随频率变化和缺乏离散正交基等缺点，在图像处理、模式识别、数据压缩、边缘检测、信噪分离等领域得到广泛的应用（Amato et al.，2000；王向阳等，2004；吴传庆等，2005；陈鹰等，2006）。但正交小波变换只对信号的低频部分做进一步的分解，而对高频部分（即信号的细节部分）不再继续分解，如图4.1（a）所示。所以，小波变换能很好地表征一些大类以低频信息为主要成分的信号，但它不能很好地分解和表示包含大量细节信息（细小边缘或纹理）的高频信号，如非平稳机械振动信号、遥感图像、地震信号和生物医学信号等。
研究表明，时域和频域的转换在信号比较平稳的情况下是可以完全分开的，但是对于信号不稳定或者变换较大的前提下，时域和频域就不能完全分开，在实际应用中，包括高光谱遥感影像信号，大部分的都是不稳定，非平稳状态的，因此时频域的分离对于高光谱遥感分解是有困难的，而小波包（Wavelet Packet，WP）变换能同时对低频分量和高频分量进行分解，如图4.1（b）所示，克服了小波变换时间分辨率高而频率分辨率低的缺陷，而且这种分解无冗余，也无疏漏（为正交分解），所以对包含大量中、高频信息的高光谱影像数据能够进行更好的时频局部化分析，在高光谱数据光谱分析中具有广阔的应用前景，目前主要用于高光谱影像融合、压缩、去噪等（Kaewpijit，2003；李新双等，2006；路威等，2006）。
图4.1 小波与小波包信号分解对比图