EMD是1998年提出的一種針對非平穩非線性信號的處理方法，該方法目前在很多領域都取得了成功的應用。但也存在一些不足，主要包括，模式混疊、端點效應和停止條件等。
1、模式混疊
模式混疊最早是被Huang提出，其基本定義如下：模式混疊是指一個IMF中包含差異極大的特征時間尺度，或者相近的特征時間尺度分布在不同的IMF中，導致相鄰的2個IMF波形混疊，相互影響，難以辨認。圖1即為前一種現象的例子。
2、模式混疊產生的原因
EMD過程首先需要確定信號的局部極值點，然后用三次樣條線將所有的局部極大值和極小值分別連接起來形成上下包絡線，再由上下包絡線得到均值曲線。在求取包絡線的過程中，當信號中存在異常事件時，勢必影響極值點的選取，使極值點分布不均勻，從而導致求取的包絡為異常事件的局部包絡和真實信號包絡的組合。經該包絡計算出的均值，再篩選出的IMF分量就包含了信號的固有模式和異常事件或者包含了相鄰特征時間尺度的固有模式，從而產生了模式混疊現象。
Huang認為引起模式混疊現象的原因主要在於間歇現象，而引起間歇現象的往往是異常事件（如間斷信號，脈沖干擾和噪聲等）。
根據以上可知，模態混疊會導致錯誤的IMF分量，從而使IMF喪失具體的物理意義。目前解決模式混疊現象較好的方法是Huang提出的EEMD。
端點效應：端點效應成為影響經驗模態分解精度的主要因素，即在”篩分“的過程中上下包絡在數據序列的兩端會出現發散現象。端點效應會增加一些虛假成分，信號的總能量也隨之增加。對於解決該問題，目前已經提出了多種方法，例如直接以數據端點作為極值點、多項式擬合算法、神經網絡延拓算法，極值點與對稱延拓相結合等多種算法。