小波(Wavelet)这一术语，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。与Fourier变换相比，小波变换是时间（空间）和频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。

小波变换的概念是由法国从事石油信号处理的工程师J.Morlet在1974年首先提出的，通过物理的直观和信号处理的实际经验的需要建立了反演公式，当时未能得到数学家的认可。正如1807年法国的热学工程师J.B.J.Fourier提出任一函数都能展开成三角函数的无穷级数的创新概念未能得到著名数学家J.L.Lagrange，P.S.Laplace以及A.M.Legendre的认可一样。幸运的是，早在七十年代，A.Calderon表示定理的发现、Hardy空间的原子分解和无条件基的深入研究为小波变换的诞生做了理论上的准备，而且J.O.Stromberg还构造了历史上非常类似于当前的小波基；1986年著名数学家Y.Meyer偶然构造出一个真正的小波基，并与S.Mallat合作建立了构造小波基的统一方法加多尺度分析之后，小波分析才开始蓬勃发展起来，其中比利时女数学家I.Daubechies撰写的《小波十讲（Ten Lectures on Wavelets）》对小波的普及起了重要的推动作用。它与Fourier变换、窗口Fourier变换（Gabor变换）相比，这是一个时间和频率的局域变换，因而能有效的从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析（Multiscale Analysis），解决了Fourier变换不能解决的许多困难问题，从而小波变化被誉为“数学显微镜”，它是调和分析发展史上里程碑式的进展。

小波函数源于多分辨分析，其基本思想是将扩中的函数f(t)表示为一系列逐次逼近表达式, 其中每一个都是f(t)动经过平滑后的形式，它们分别对应不同的分辨率。多分辨分析又称多尺度分析，是建立在函数空间概念基础上的理论，其思想的形成来源于工程。创建者Mallat .S是在研究图像处理问题时建立这套理论的。当时人们研究图像的一种很普遍的方法是将图像在不同尺度下分解，并将结果进行比较，以取得有用的信息。Meyer正交小波基的提出，使得Mallat想到是否用正交小波基的多尺度特性将图像展开，以得到图像不同尺度间的“ 信息增量” 。这种思想导致了多分辨分析理论的建立。MRA不仅为正交小波基的构造提供了一种简单的方法，而且为正交小波变换的快速算法提供了理论依据。其思想又同多采样率滤波器组不谋而合，使我们又可将小波变换同数学滤波器的理论结合起来。因此，多分辨分析在正交小波变换理论中具有非常重要的地位。

小波分析的应用是与小波分析的理论研究紧密地结合在一起地。它已经在科技信息产业领域取得了令人瞩目的成就。 电子信息技术是六大高新技术中重要的一个领域，它的重要方面是图像和信号处理。现今，信号处理已经成为当代科学技术工作的重要部分，信号处理的目的就是：准确的分析、诊断、编码压缩和量化、快速传递或存储、精确地重构（或恢复）。从数学的角度来看，信号与图像处理可以统一看作是信号处理（图像可以看作是二维信号），在小波分析地许多分析的许多应用中，都可以归结为信号处理问题。对于其性质随时间是稳定不变的信号，处理的理想工具仍然是傅立叶分析。但是在实际应用中的绝大多数信号是非稳定的，而特别适用于非稳定信号的工具就是小波分析。

小波分析是当前应用数学和工程学科中一个迅速发展的新领域，经过近30年的探索研究，重要的数学形式化体系已经建立，理论基础更加扎实。与Fourier变换相比，小波变换是空间(时间)和频率的局部变换，因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。小波变换联系了应用数学、物理学、计算机科学、信号与信息处理、图像处理、地震勘探等多个学科。数学家认为，小波分析是一个新的数学分支，它是泛函分析、Fourier分析、样条分析、数值分析的完美结晶；信号和信息处理专家认为，小波分析是时间—尺度分析和多分辨分析的一种新技术，它在信号分析、语音合成、图像识别、计算机视觉、数据压缩、地震勘探、大气与海洋波分析等方面的研究都取得了有科学意义和应用价值的成果。

小波分析是当前数学中一个迅速发展的新领域，它同时具有理论深刻和应用十分广泛的双重意义。

事实上小波分析的应用领域十分广泛，它包括：数学领域的许多学科；信号分析、图像处理；量子力学、理论物理；军事电子对抗与武器的智能化；计算机分类与识别；音乐与语言的人工合成；医学成像与诊断；地震勘探数据处理；大型机械的故障诊断等方面；例如，在数学方面，它已用于数值分析、构造快速数值方法、曲线曲面构造、微分方程求解、控制论等；在信号分析方面的滤波、去噪声、压缩、传递等；在图像处理方面的图像压缩、分类、识别与诊断，去污等；在医学成像方面的减少B超、CT、核磁共振成像的时间，提高分辨率等。

(1)小波分析用于信号与图像压缩是小波分析应用的一个重要方面。它的特点是压缩比高，压缩速度快，压缩后能保持信号与图像的特征不变，且在传递中可以抗干扰。基于小波分析的压缩方法很多，比较成功的有小波包最好基方法，小波域纹理模型方法，小波变换零树压缩，小波变换向量压缩等。

(2)小波在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘检测等。小波分析在信号时域和频域都具有表征局部特征的优势，因此，它已成为信号处理领域的主要工具之一。

(3)在工程技术等方面的应用。包括计算机视觉、计算机图形学、曲线设计、湍流、远程宇宙的研究与生物医学方面。

热点应用领域：地球物理勘探，主要体现在在降噪、信号分离、提高地震资料分辨率、地震压缩数据和油气预测等几个方面。

小波分析的应用前景如下：

1、瞬态信号或图像的突变点常包含有很重要的故障信息, 例如，机械故障、电力系统故障、脑电图、心电图中的异常、地下目标的位置及形状等，都对应于测试信号的突变点。虽然这些问题发生的背景不同，但都可以归结到如何提取信号中突变点的位置及判定其奇异性(或光滑性) 的问题。对图像来说，急剧变化的点通常对应于代表图像结构的边缘部位，也就是图像信息的主要部分。掌握了它，也就掌握了图像的基本特征，因此，小波分析在故障检测和信号的多尺度边缘特征提取方面的应用具有广泛的应用前景。

2、神经网络与小波分析相结合, 分形几何与小波分析相结合是国际上研究的热点之一。基于神经网络的智能处理技术, 模糊计算、进化计算与神经网络结合的研究, 没有小波理论的嵌入很难取得突破。非线性科学的研究正呼唤小波分析, 也许非线性小波分析是解决非线性科学问题的理想工具。

3、小波分析用于数据或图像的压缩，绝大多数是对静止图像进行研究的。面向网络的活动图像压缩, 长期以来主要是采用离散余弦变换（运动补偿（MC） 作为编码技术，然而，该方法存在两个主要的问题：方块效应和蚊式噪声。利用小波分析的多尺度分析不但可以克服上述问题，而且可首先得到粗尺度上图像的轮廓，然后决定是否需要传输精细的图像，以提高图像的传输速度。因此, 研究面向网络的低速率图像压缩的小波分析并行算法，具有较高探索性和新颖性，同时也具有较高的应用价值和广泛的应用前景。

4、使用的二维及高维小波基主要是可分离的，不可分离二维及高维小波基的构造、性质及其应用研究, 由于理论上较为复杂，这方面的成果甚少。也许向量小波及高维小波的研究能够为小波分析的应用开创一个新天地。