脉搏信号蕴含着丰富的人体生理和病理信息，临床上有很多疾病，特别是心血管疾病，可使脉搏发生变化，因此对脉搏信号进行分析具有重要的临床意义。　　脉搏信号作为生物医学信号的一种，当人体生理活动以及病理发生改变时，信号的时域、频域特征都会随之发生变化。现阶段对脉搏信号的研究侧重于理论研究、难以应用于临床，或者即便发现其临床应用价值但又不能从理论基础上进行验证，从而导致脉搏信号理论研究与实际应用脱节。分析脉搏信号的算法虽然很多，但这些算法都有其局限性，缺乏一种通用的算法或研究体系。本文提出一种基于小波包变换和隐马尔可夫模型的脉搏信号分析方法，并在此基础上，设计了一套针对高血压患者的脉搏诊断系统。本文的主要工作内容及研究成果总结如下:　　(1)提出了一种基于小波理论的脉搏信号最优特征提取方法。首先针对小波包分解后的时频子空间集过于冗余的问题，提出了一种以局域判别基理论为指导的最优小波包分解策略。从时频子空间集中找出最能表现信号多尺度特征的正交时频空间子集，从而提高脉搏信号识别的准确度和有效性。其次，针对过高维数的特征向量集会对分类器产生消极影响，应用Fisher准则进行降维处理，选择最优特征向量。　　(2)设计了基于连续隐马尔可夫模型的脉搏信号分类方法。针对模型初始化参数对训练隐马尔可夫模型影响较大，分别提出了基于K-means算法以及遗传算法的改进方法。K-means算法操作简单但聚类效果不稳定。遗传算法的搜索不依赖梯度信息，可以自适应的优化搜索任务，是一种全局最优的搜寻方法。　　(3)建立了一套针对高血压患者的脉搏诊断系统，该系统集信号采集、无线传输、实时显示以及脉搏诊断于一体。无线脉搏传感器部分在压电式脉搏传感器基础上引入无线通信原理，实现了脉搏信号的无线传输。上位机软件部分在Matlab环境中开发实现，根据小波包变换和连续隐马尔可夫模型在高血压患者脉搏信号分析中的理论成果，实现对高血压患者的诊断。　　本文对采集的38例健康大学生和56例高血压患者的脉搏信号进行分类实验，根据文中提出的脉搏信号分析方法，分别采用随机参数、k-means算法以及遗传算法初始化隐马尔可夫模型参数进行三次实验，三种方法的分类率分别为83.3％、87％、90.7％。实验结果表明该脉搏信号分析方法能有效的识别高血压患者和健康人群。选择合适的隐马尔可夫模型参数，能够提高分类效果，且遗传算法优于k-means算法。