睡眠呼吸暂停综合征（Sleep Apnea Syndrome,SAS）是一种发病率极高却不易被察觉的睡眠疾病。它严重影响着人们的睡眠质量,更是导致高血压、中风、冠心病等危险性疾病的主要因素之一,严重时会造成夜间猝死。临床上通常使用多导睡眠仪诊断SAS,但其存在费时费力、检测费用昂贵、检测过程不舒适等缺点,导致大多数患者不能得到及时的诊断和治疗。当睡眠过程中发生呼吸暂停时患者心率变慢,恢复正常呼吸时心率在短暂增加后逐渐恢复正常,心电信号包含了可以表征SAS的主要特征,所以本文基于心电信号开发便捷、有效的SAS自动检测算法。目前基于心电信号的SAS检测算法大多集中于手动提取传统统计学特征或神经网络提取深层特征。前者高度依赖医学知识和波形提取准确性且提取的特征不全面,后者特征可解释性较差,指向性不强,导致模型鲁棒性较差。针对上述问题,本文开展了如下研究内容:（1）提出了基于单导联心电信号统计学特征的SAS检测算法。本文在单导联心电信号上提取心率变异性（Heart Rate Variability,HRV）的时域、频域、非线性特征,共17个特征参数对SAS进行检测。时域特征从心率变化的角度对SAS进行判断;频域特征从频谱角度分析了SAS对交感神经和副交感神经活性的影响;非线性特征从HRV信号的复杂度和长短期变化的角度对SAS进行判断。在Apnea-ECG数据库上通过5折交叉验证,该算法对一分钟长度的SAS段检测的平均准确率、敏感度、特异性分别达到95.79%、95.91%、95.68%。（2）提出了基于判别典型相关分析（Discriminant Canonical Correlation Analysis,DCCA）融合HRV统计学特征和心电信号波形深层特征的SAS自动检测算法。基于医学知识提取的统计学特征是针对HRV信号提取的多域特征,卷积神经网络提取的深层特征是针对心电信号波形提取的特征。本文采用DCCA将两类特征进行融合,不仅弥补了两类特征在特征提取上的不足,而且充分考虑了特征类内和类间的关系,最大化同类特征相关性的同时减弱不同类特征间的相关性,去除了冗余特征。在Apnea-ECG数据库上通过5折交叉验证,该算法对一分钟长度的SAS段检测的平均准确率、敏感度和特异性分别达到97.33%、97.73%和96.94%。且使用该算法对Apnea-ECG数据库的每条心电记录进行SAS检测,其准确率、敏感度、特异性均达到100%,实现了SAS的自动检测,为临床便携设备的实现提供了有力的理论依据。