睡眠是人类不可缺少的一种生理现象,人的一生中睡眠占了近三分之一的时间,睡眠质量的好坏与人体健康有着密切关系。慢波睡眠（SWS）是人体睡眠阶段中最为重要的睡眠阶段,慢波睡眠可以帮助个人从日常疲劳中恢复,缺乏慢波睡眠还可能导致一些慢性疾病的发生,慢波睡眠的质量和数量可以反映一个人睡眠质量的好坏,因此有效的慢波睡眠阶段的检测对人们的日常生活和工作有着重要意义。本文提出了一种基于呼吸音频信号的慢波睡眠阶段检测方法,能够有效实现慢波睡眠的检测。该方法基于音频传感器采集音频信号,然后对音频信号进行分帧加窗,降噪,声音事件检测等预处理,从音频信号中得到呼吸音频事件信号,通过提取呼吸音频事件中的有效慢波特征来检测睡眠阶段中的慢波睡眠阶段。其主要工作如下:1.介绍了音频信号预处理中的分帧加窗,研究了谱减法和维纳滤波降噪的方法,基于呼吸信号微弱,信噪比低的特点,提出了基于线性约束的稀疏非负矩阵分解降噪方法,该方法结合呼吸信号的基音频率构建呼吸字典矩阵对非负矩阵分解做线性约束,相对于传统的降噪方法,在低信噪比环境下能更好滤除低频噪音。基于呼吸音频信号周期性强的特点,提出了一种基于频谱相关的声音事件检测方法,该方法相比于传统的基于能零比的声音事件检测算法,对于呼吸事件的检测准确率从78.5%提高到了87.7%。2.介绍了慢波睡眠的传统声学特征和频域特征,并在此基础上结合信号变异性的概念,提出了呼吸变异系数,呼吸一致性,呼吸强度等18个慢波特征用于描述慢波睡眠阶段的呼吸信号特点。3.提出了一种基于呼吸事件的慢波睡眠检测方法,该方法首先对呼吸事件特征做清洗、归一化等预处理,得到预处理后的呼吸事件特征集,然后对呼吸事件特征进行二次筛选,进一步滤除了非呼吸事件特征,接着为了解决慢波睡眠数据的不平衡问题,利用balanced bagging分类器对呼吸事件进行慢波睡眠阶段分类,最后对同一睡眠片段的呼吸事件进行投票判决得出该睡眠片段的慢波睡眠分类结果,相比传统的慢波睡眠检测方法,本文方法能更好的体现睡眠片段内的不同呼吸事件的差异。4.搭建了睡眠实验平台,采集了23人次的呼吸音频数据,分析了慢波特征和特征筛选对慢波睡眠检测方法分类结果的影响,然后将本文提出的基于呼吸事件的慢波睡眠检测方法与传统方法的性能进行比较,实验结果表明本文方法性能更为优异,最终可达到90.4%的准确率,0.637的kappa系数。