چکیده: پردازش سیگنال های مانا در حوزه‌ی زمان-فرکانس مزایای بیشتری نسبت به هر کدام از حوزه‌های زمان یا فرکانس به همراه دارد. روش‌های زمان-فرکانس مبتنی بر فیلترهای جهت‌دار تطبیقی ADTFD از جمله روش‌های موثر بوده و نسبت به دیگر روش‌های ثابت و تطبیقی برتری دارد. در روش‌های ADTFD راستای هسته‌ی هموار ساز بر مبنای فیلتر گوسی جهت‌دار و یا مشتق دوم آن بهینه می‌گردد. با وجود کارایی بالای روش‌های ADTFD، مجموعه‌ای از کاستی‌ها مانند خودکار نبودن، پیچیدگی محاسباتی بالا، حساسیت به نویز، ناتوانی در پردازش سیگنال‌های چند مولفه‌ای با دامنه‌های متفاوت و ضعف در تخمین فرکانس آنی برای سیگنال‌های با مولفه‌های همپوشان، کاربرد آنها را محدود نموده است. در این رساله، برای رویارویی با چالش‌‌های مطرح شده ابتدا پارامترهای ADTFD به‌صورت خودکارتخمین زده می‌شود. برای این منظور در یک الگوریتم دو مرحله‌ای ابتدا اندازه‌ی هسته‌ی هموارساز به‌صورت سراسری بهینه می‌گردد سپس پارامترهای تعیین کننده‌ی شکل هسته به‌صورت محلی بهینه می‌گردند. برای کاستن پیچیدگی محاسبات، یک نوع جدید از ADTFD معرفی می‌گردد که پیچیدگی محاسباتی به مراتب بسیار پایین‌تری دارد. در ADTFD جدید، راستای بهینه‌ی هسته به کمک تبدیل رادون تابع ابهام سیگنال مورد نظر تخمین زده شده و جستجوی راستای بهینه‌ در هر نقطه از صفحه‌ی زمان-فرکانس بر اساس راستای بهینه‌ی بدست آمده انجام می‌گیرد. در ADTFD ارائه شده مشکل حساسیت به نویز نیز پوشش داده می‌شود چرا که با محدود نمودن فیلترینگ در راستا‌ی نادرست ناشی از حضور نویز، حساسیت روش به نویز محدود می‌گردد. با خودکار نمودن ADTFD امکان پردازش دقیق سیگنال‌های با مولفه‌های مختلف میسر می‌شود. برای تخمین فرکانس آنی سیگنال‌های چند مولفه‌ای به‌ویژه با مولفه‌های متقاطع، روشی نوین مبتنی بر توزیع زمان-فرکانس پیشنهادی و فیلترینگ در حوزه‌ی زمان-فرکانس ارائه می‌شود. برتری این روش نسبت به روش‌‌های نوین مانند ICCD-RPRG نشان داده می‌شود. با استفاده از روش داده شده برای تخمین فرکانس آنی، الگوریتم جدیدی برای بازسازی سیگنال‌های با نمونه‌های ناقص با فرض تنک بودن آنها در حوزه‌ی زمان-فرکانس معرفی می‌گردد. کارایی ابن الگوریتم با کارایی دیگر روش‌های رایج مانند گرادیان کاهشی EOMP و آستانه‌گذاری پی‌در‌پی مقایسه شده که برای سطوح مختلف از تعداد نمونه‌های ناقص، روش ارائه شده دارای MSE کمتری می‌باشد. به‌عنوان مطالعه‌ی موردی، کارایی ADTFD معرفی شده در دو زمینه‌ی مختلف تشخیص خودکار صرع با استفاده از سیگنال‌های EEG گرفته‌شده از پایگاه داده‌ی بیمارستان فرایبرگ آلمان و تشخیص امواج سوزنی در سیگنال‌های غیرمانای با فرکانس بالا و نسبت سیگنال به نویز پایین، مورد بررسی قرار گرفته است. نتایج بدست آمده نشان دهنده‌ی 98.56 درصد درستی طبقه‌بندی است که 37 درصد بیشتر از نتایج حاصل از به‌کارگیری دیگر روش‌های مبتنی برتوزیع‌های زمان-فرکانس است. به منظور تشخیص امواج سوزنی یک الگوریتم جدید با بهره‌گیری از راستای انرژی سیگنال و تنک بودن آن در نمایش زمان-فرکانس ADTFD ارائه شده است. مقایسه‌ی این الگوریتم با دیگر روش‌های رایج مانند SNEO و CoB در تشخیص ضربه در سیگنال‌های EEG نشان‌دهنده‌ی برتری آن از لحاظ اندازه‌های آماری مانند میزان درستی و نرخ برخورد می‌باشد.