VMD是近几年才被科研人员研究出来的一种能够根据要处理的信号的特征自主调制适应以达到分离目的的信号处理方法，现阶段这种算法的使用还处在一个探索开发阶段，所以它的具体应用还有待人们进一步的研究和开发。Tangguiji对这个算法进行了优化，他针对变分模态分解的参数的合理性方面进行了提升。同时，他用这种信号处理方法来找出一些早期的滚动轴承的故障。Liuchangliang在前者的基础上继续对VMD方法在故障排除上的应用进行探索，他提出了结合FuzzyC-Meansalgorithm(FCM)——模糊C类均值的方法来提升性能。WangYanyue专家在研究了这种信号处理的方法之后，也将其用到了故障排除方面。结合上面的科研人员的研究得到的结果，验证了VMD算法对于类似的故障排除有着很好的功效。随着越来越多的科研人员将这种算法运用到各个应用领域，其强大的性能逐渐体现出来，相信VMD方法通过不断的优化升级必然会成为一种实用性极强的信号处理方法。

1、国内研究现状

国内研究现状[2]：YanxueWang等对VMD理论进行了扩展，在原有的基础上提出了复数信号变分模态分解（CVMD）。将原来只用于实信号分解的方法扩展到复数的范围内。唐贵基等提出优化变分模态分解参数的方法：首先利用粒子群优化算法来搜索变分模态分解算法的最佳影响参数组合，搜索结束后根据所得结果来设定变分模态分解算法的惩罚参数和分量个数，这样能尽可能大的优化变分模态分解的参数组合。刘尚坤等针对变分模态分解的端点效应问题，提出了一种利用互信息准则进行波形匹配和端点延拓的改进方法。LiuYuanyuan等提出用VMD去除噪声的方法。相比于之前的EMD的方法，VMD在去噪方面具有更好的鲁棒性。为了确定K的值，其在论文中提出消除趋势波动分析法（DFA），并在试验中验证了其具有很好的效果。TangGang等研究了基于VMD的滚动轴承故障信号分离，将原始信号通过VMD方法进行分解，将一个单通道混合信号分解成多个信号，从而将问题转化成一般的混合信号分离问题，进而用FAST-ICA解决。PriyankaDey等提出基于VMD和PCA(主元分析)的单通道混合信号分离。论文中给出了一个信号分离的实例，将一个10Hz的正弦信号和男子的语音信号混合，分别用EMD-PCA-ICA方法和VMD-PCA方法进行分离，得出的结果验证了VMD相对于EMD具有更大的有效性。

2、国外研究现状

国外研究现状：2010年，比利时鲁汉大学的BogdanMijovic等利用总体经验模态分解，将单路混合信号分解为一系列本征模态函数然后运用独立分量份（ICA）来对IMFS分量进行处理，用这种方法分离有着类似频谱的信号的时候能够很好的完成分离。然而这种算法它的求解过程中需要通过不停的进行循环来求出其解的平均值，所以完成这个过程所需的时间较长。由于时频被固定产生的拖尾的情况，很大程度上影响了这种算法的进展。于是在2014年，S.Kirbiz等科研人员通过一个用多个尺度以及非负的张量来分解因式的分解方法来解决这一问题，并且取得了良好的成果。接着KonstantinDragomiretskiy于2014新年提出了一种可预设尺度的非平稳信号处理方法—变分模态分解(VariationalModeDecomposition,VMD)方法，这种新的分解方法可以将收到的混合信号分解为K个IMF分量从而完成对这个信号的分解。同时这个K的值可以依据混合信号本身是预先设定，这样一来，就能够在分解的过程中最大程度的减少模态混叠现象的出现。