还是老生常谈。建议先不要直接上手机器学习/深度学习，先把你研究对象/信号的机理给搞清楚，然后再开始上现代信号处理，机器学习/深度学习算法，只有对你研究对象的机理深入了解，才能更好地对信号处理算法，机器学习/深度学习模型有针对性的改进，比如加入相关领域知识等等等等。

以通用的信号处理来说，不管你拿到的是机械振动信号，地震信号，ECG，EEG信号，还是声信号等，首先进行时域，频域分析，关于时域特征

 

频域嘛，就是了解下频谱，包络谱，平方包络谱，倒谱，频谱细化分析等等，还有各种熵值特征，分形特征。

       分析着分析着，你发现单纯的时域，频域分析根本不够用（非线性非平稳等等），然后你开始进行时-频域联合分析，先说缺乏数学理论基础的，经验模态分解及其众多变体（EMD,EEMD,CEEMD，还有各种抑制模态混叠和端点效应的方法），局部均值分解LMD，局部特征尺度分解等等。然后开始分数阶傅里叶变换，短时傅里叶变换STFT，小波分析及众多变体（双树复小波，可调Q因子小波，多小波等等），WVD分布，变分模态分解，经验小波变换，辛几何模态分解，同步挤压变换，高阶同步挤压变换等等。

       最后，有了上面的信号处理（特征提取）基础，就可以上机器学习模型了，什么支持向量机SVM,随机森林RF，其他集成模型，线性回归LR，隐马尔可夫模型HMM，字典学习DL，主成分分析PCA，贝叶斯方法。

       当你找到海量信号以后，就直接可以上深度学习模型了，开始努力调参了，堆栈自编码器SAE及众多变体，深度信念网络DBN，卷积神经网络CNN，长短时记忆网络LSTM，生成对抗网络GAN等等，找自己感兴趣的进行研究吧，哈哈。

此外，还有比较多的其他方法，例如形态学信号处理方法，SVD类信号处理方法，混沌理论的信号处理方法，数字孪生信号增强，谱峭度方法及众多变体，流形学习等等，找自己感兴趣的进行研究吧。