呼吸率是人体重要的生理参数之一,也是临床诊断的重要依据。推广呼吸率的日常监控对防控呼吸性疾病及其他并发性疾病具有重要意义。现有的呼吸率监控设备因便携性差、操作复杂等缺点,大多不适合日常监控,而脉搏波的采集设备轻便、操作简单,且脉搏波含有多种人体生理信息,有利于呼吸率监控的日常化。虽然近年来基于脉搏波的呼吸率提取方法有了一定的发展,但脉搏波极易受到噪声干扰,从脉搏波中提取稳定的呼吸信息仍然具有一定的挑战,尤其基于大规模数据的表现不尽人意。本文针对上述问题,提出基于脉搏波多特征融合的呼吸率提取方法,主要的研究工作和贡献如下:（1）数据预处理方面:本文提出了一种多通道数据筛选及融合方法。该方法通过对脉搏波的波形特征进行分析识别,实现了对采集过程中信号存在的失真、突变等异常情况的自动检测。基于检测结果,该方法可以过滤掉异常的脉搏波、保留高质量的脉搏波。进一步,本文对筛选后的多通道脉搏波进行融合,以弥补单通道脉搏波的信息缺失。（2）特征提取及可信度评价方面:本文提出了一种多维脉搏波时频特征的提取方法和一种特征可信测度的评价方法。为了提取包含呼吸信息的特征,本文基于呼吸活动对脉搏波有调制作用的原理,对多通道融合后的脉搏波提取了与幅度和频率变化相关的多维脉搏波时频特征;另外,本文根据呼吸活动的周期性和低频性,为各个特征建立可信测度,解决了特征质量无法评判的问题。（3）模型构建方面:本文提出了一种基于深度学习的呼吸率提取方法。本文将多维脉搏波时频特征分别输入各自的卷积神经网络中,得到多个浅层特征;为提高优质特征的学习权重,本文利用可信测度对这些浅层特征进行加权融合,再输入深度卷积神经网络中提取呼吸率。实验结果显示,本方法较单特征和经验模态分解等呼吸率提取方法,相对误差降低了至少3%。