脉搏波是重要的包含人体状态信息的人体生命信号,对脉搏波的研究一直是人体健康相关领域的主要研究对象之一。如何在脉搏波中寻找到有用的人体生理状态信息,是脉搏波研究的重点。现有的研究方法主要寻找的是较长时间内不变的量以及某一特定的短时间内的固定量,如频域分析法中的幅值以及时域分析法中的心脏射血时间等,对较长时间内的脉搏波的变化没有进行足够的研究。本文主要针对这种较长时间内的脉搏波的变化,寻找包含的人体信息。脉搏波的变化中蕴含着丰富的人体信息,已经是一个复杂的系统,在研究了脉搏波与复杂网络的基础上,本文将复杂网络的分析法引入了脉搏波的分析中,将在其他时间序列的分析中已有较多成果的基于可见性的时间序列网络化方法以及基于水平可见性的时间序列网络化方法经适当的修改后应用于脉搏波的复杂网络化中。在脉搏波复杂网络分析的数据预处理中,先要对脉搏波的周期进行识别,现有的脉搏波识别算法包括差分阈值法、区域极值法和包络求解法。针对这些方法的识别时的要求脉搏波连续并平稳,或受噪声影响较大,或计算过程的过度复杂等缺点,本文对区域极值法进行了改进,得到了基于变化率的脉搏波周期识别算法,该算法在各种不同情形的脉搏波下均有较好的识别效果。本文使用脉搏波的周期序列构建了脉搏波的复杂网络,对原有的时间序列网络化方法中的边的权值中的影响因素进行了扩充,使得脉搏波网络中包含了更多的脉搏波信息。另外还对该网络进行了多项网络层面的分析,发现了其无尺度的特性,为复杂网络中的研究成果在脉搏波中的应用提供了支撑。同时,本文还将脉搏波网络分析法在实际实验中进行了应用,用于对不同的人体状态进识别,如运动前后状态的识别、饮酒前后的状态识别等,将识别结果与脉搏波分析中常用的频域分析方法进行了识别效果的对比,并分析了算法的时间复杂度,结果表明,复杂网络在部分人体状态的识别效果上具有优势,如饮酒前后状态的识别,计算的时间复杂度也降到了 O(n)级别。