血细胞信号(BCS)由于信号脉冲多样，时频特性复杂，具有非线性、非平稳和非高斯的固有特征，目前临床上所用的信号脉冲计数法仅能从计算血液中细胞含量来分析信号特征，无法准确地体现出蕴含在血细胞信号内部的大量的生理及病理信息，且由于类似M信号等因素的影响，容易存在计数不准确的问题，分析结果也就不够完整可靠。针对这一问题，本文提出运用自适应性强，频率聚集性高的希尔伯特-黄变换(HHT)算法对BCS分析处理，提取特征向量并运用支持向量机(SVM)对BCS分类识别。首先通过经验模态分解(EMD)将BCS自适应地分解成若干个本征模态函数(IMF)分量，再获得Hilbert谱、Hilbert边际谱以及傅立叶频谱，分析与挖掘BCS的时频特性和非线性动力学特性；给出所要提取的特征的定义和公式，并计算提取健康人与患者的BCS的平均强度、谱质心、能量贡献率以及边际谱熵；根据对比分析二者的特征分布规律构建时频特征向量与非线性动力学特征向量用于BCS分类识别，检验此分析方法的效果。研究结果表明，基于HHT方法所提取的特征在健康人和患者之间具有良好的区分度，时频特征的分类识别率最高为94.12%，非线性动力学特征的分类识别率最高为92.16%。HHT分析方法对于血细胞信号的分析有效性高，可以为血细胞信号分析应用提供一个新途径。