El análisis del espectro singular (SSA) es una técnica adaptativa no paramétrica utilizada para el análisis de series temporales. Permite resolver varios problemas relacionados con series temporales sin necesidad de definir un modelo. En este estudio, nos enfocamos en el problema de extracción de tendencias. Para extraer tendencias utilizando SSA, se requiere una agrupación de componentes elementales. Sin embargo, automatizar este proceso es un desafío debido a la naturaleza no paramétrica de SSA. Aunque existen algunos enfoques conocidos para la agrupación automatizada en SSA, no funcionan bien cuando los componentes de la señal están mezclados. En este documento, se propone un enfoque novedoso que combina la identificación automatizada de componentes de tendencia con la mejora de la separabilidad. También consideramos un nuevo método llamado EOSSA para mejorar la separabilidad, junto con otros métodos conocidos. Las modificaciones automatizadas se comparan numéricamente y se aplican a series temporales de la vida real. El enfoque propuesto demostró su ventaja en la extracción de tendencias al tratar con componentes de señal mixtos. El método de mejora de separabilidad EOSSA demostró ser el más preciso cuando se detecta correctamente el rango de la señal o se excede ligeramente. El SSA automatizado se aplicó con gran éxito a los datos de desempleo de EE. UU. para separar una tendencia anual de los efectos estacionales. El enfoque propuesto ha demostrado su capacidad para extraer automáticamente tendencias sin necesidad de determinar su forma paramétrica.