睡眠呼吸暂停综合征（Sleep Apnea Syndrome,SAS）是一种常见的睡眠障碍,长期发生睡眠呼吸暂停会诱发高血压、心力衰竭等心血管疾病,严重威胁人类健康。但是,多导睡眠图（Polysomnography,PSG）作为诊断SAS的金标准存在成本较高、检查耗时且舒适性较差等问题。因此,利用少量通道的生理信号自动诊断SAS的研究对于促进SAS检测技术的发展有重要意义。本文分别基于传统机器学习技术和深度学习技术开发SAS自动诊断算法,利用心电（Electrocardiogram,ECG）和外周血氧饱和度（Saturation of Peripheral Oxygen,SpO2）信号的组合来提高睡眠呼吸暂停诊断的准确率,主要研究内容包括:（1）提出了一种基于特征融合的SAS自动检测算法。应用多模态技术在特征层面融合ECG与SpO2信号,并利用结合随机森林的递归特征消除算法进行特征选择,分别使用支持向量机、Logistic回归、K近邻、随机森林分类器检测睡眠呼吸暂停。在Apnea-ECG数据库上进行实验验证,实验结果表明:使用随机森林区分睡眠呼吸暂停和正常片段的准确率为97.5%、灵敏度为95.9%、特异性为98.4%、AUC为0.992,诊断性能优于其他3个分类器,对比仅使用单一信号检测睡眠呼吸暂停,结合使用ECG和SpO2信号能提高诊断性能。（2）对ECG和SpO2信号在诊断SAS上的相互作用机制进行分析。使用特征选择算法揭示特征之间的内在联系,并且使用KW-ANOVA检验方法对特征进行显著性差异分析。特征选择结果表明:ECG信号与SpO2信号在诊断SAS的任务中是互补的;KW-ANOVA检验结果表明:所选特征在区分正常和睡眠呼吸暂停事件上有统计学上的显著差异（?0.01）。（3）为了简化诊断的流程,实现SAS的端到端诊断,提出了一维卷积神经网络（Convolutional Neural Network,CNN）与长短期记忆网络（Long Short Term Memory Network,LSTM）相结合的模型。模型将从ECG信号中提取到的RR间期信号和SpO2信号共同作为输入,对睡眠呼吸暂停进行检测。在Apnea-ECG数据库上进行实验验证,实验结果表明:该模型诊断SAS的准确率为98.3%,灵敏度为96.1%,特异性为99.1%,并且性能优于基于特征融合的算法。（4）设计了一个基于Web的SAS辅助诊断系统,通过Web端与服务器端实时通信,在服务器端调用一维CNN-LSTM模型实现SAS自动诊断,并将结果返回到网页中进行展示。综上,本文所提出的SAS自动诊断算法性能良好,所设计的系统能够对SAS的检测起到辅助筛查作用。本研究为睡眠监测领域的智能化发展提供了参考。