阻塞性睡眠呼吸暂停低通气综合征（OSAHS）是睡眠呼吸疾病中最主要、发病率最高的一种疾病,临床诊断最常见的方法是使用多导睡眠图（PSG）监测系统,但是PSG监测系统因设备复杂昂贵以及“侵入式”监测方式,使其难以在家庭和偏远地区推广。OSAHS的准确诊断要求在一段睡眠记录中检测出呼吸暂停事件,在众多简易的诊断方法中,基于声学信号分析来进行筛查因简易、成本低廉成为研究热点,因此借助声学分析方法实现睡眠呼吸声检测对实现OSAHS疾病筛查走向家庭十分重要。本文以整夜睡眠呼吸声信号为对象,设计并实现了一种基于识别的整夜睡眠呼吸声检测方法。首先分析了现有四种睡眠呼吸声检测方法,重点针对基于人工神经网络（ANN）的睡眠呼吸声检测方法进行了深入讨论和整夜实采数据验证,结果表明该方法在低信噪比环境下检测性能明显下降。针对上述不足,提出基于能量差别的双ANN睡眠呼吸声检测方法,该方法基于信号能量差别将睡眠呼吸声信号检测任务细分为能量较低的睡眠呼吸声信号检测以及能量较高的鼾声信号检测,针对两种信号各训练一个ANN完成检测任务,并对ANN深度等参数进行了具体讨论与优化,最后基于改进后方法进行了整夜实采数据验证,结果表明该方法的整夜睡眠呼吸声检测结果准确率为90.8%,优于现有检测方法。在此基础上,考虑到家庭环境下采集的睡眠呼吸声信号信噪比较低,且通常含有环境噪声以及其它人类活动声音干扰,进一步通过采用麦克风阵列信号处理技术实现了自适应呼吸声增强,并针对增强后的睡眠呼吸声信号进行基于能量差别的ANN整夜睡眠呼吸声检测,最终构建了一种基于识别的整夜睡眠呼吸声检测方法。基于实采整夜睡眠记录数据的实验结果表明,上述方法的睡眠呼吸声检测正确率提高至92.2%。本文研究成果可以有效完成整夜睡眠呼吸检测任务,具有较好的医学价值和社会效益。