脉搏波是一种由心脏规律性搏动所产生的人体生理信号,与心血管疾病存在密切联系,分析脉搏波的形态、幅度和节律等,有利于心血管疾病早期预防和辅助诊断。传统中医通过寸关尺三部切脉,与望、闻、问诊相结合进行辨证施治,通常需要长期学习和经验积累,诊断结果跟中医师个人能力相关。利用传感器技术无创采集脉搏波信号,结合中医脉诊学、电子信息、计算机技术等学科,提取脉搏波相关特征,实现对脉搏波的稳定采集、有效管理和智能识别,对发展和推广脉诊具有理论意义和实用价值。本课题围绕脉搏分析系统的关键技术问题,以实现脉搏波采集与分析为目的,以卷积自编码深度学习网络为切入点,综合运用电子信息技术和模式识别技术,设计脉搏分析系统,完成了包括脉搏波采集端、上位机交互系统、脉搏波数据预处理和分类模型设计等研究工作。主要工作包括:（1）为实现脉搏波数据采集,基于脉搏波信号特点分析系统的需求,选用压力型脉搏传感器搭建脉搏波采集端。设计前置放大电路、带通滤波电路、双T陷波电路和电压抬升电路,进行脉搏波信号调理,实现了脉搏波信号的稳定采集。（2）针对脉搏波数据的分析与管理问题,在系统需求分析基础上,设计脉搏分析系统总体框架。开发用于脉搏分析的人机交互系统,结合数据库技术,设计各功能模块,实现脉搏波波形的可视化、分析识别、数据管理等,并建立个人健康档案。功能测试表明,人机交互系统实现了对脉搏波数据的有效管理。（3）高质量脉搏波数据是后续分析的基础,为提升系统对脉搏波的分析处理能力,对脉搏波数据进行预处理。在小波阈值去噪中,选用sym8小波基对脉搏波信进行4层小波分解,通过信噪比衡量不同阈值函数、阈值规则的去噪效果。其次,结合动态差分阈值法和滑动窗口,实现主波峰和波谷的提取,并基于波谷进行脉搏波信号的周期分割;最后,通过周期标准化将单周期脉搏波信号长度固定到248,便于模型输入。（4）针对临床脉搏波数据标注成本高所带来的标注数据有限问题,重用预训练模型,构建基于卷积自编码器网络（Convolutional Auto encoder Networks,CAE-Net）的脉搏波分类模型,减弱对标注脉搏波数据的依赖。首先,利用卷积自编码器（Convolutional Auto-encoder,CAE）的压缩重构特性进行脉搏波特征自学习,并在重构误差中引入时域特征点约束,提升CAE特征自学习能力;其次,重用预训练CAE编码器的网络结构和权重,构建CAE-Net,并利用有标签脉搏波数据样本进行网络微调。在所采集数据上实验,结果表明,CAE-Net对心血管疾病脉搏波的识别准确率达98%,满足脉搏分析系统需求。