本论文的研究工作是结合横向科研课题“移动医疗支持系统用户端设备的研制”展开的。随着计算机和传感器技术的发展，中医脉诊的客观化要求也日益提高。研究脉象的特征提取与识别方法无论在理论上还是在实际应用中都具有十分积极的意义。将小波变换用于信号滤波处理、波形检测以及采用神经网络进行分类识别等，在国内外已有不少报道，但算法还不够完善。本课题在总结前人工作的基础上，对脉象数据的特征提取，脉象的识别进行了研究。主要工作包括以下几个方面：首先，在对国内外人体脉象客观化研究方法进行比较的基础上，针对以往脉象特征提取算法单一从时域提取特征值，而导致无法对脉律不齐的脉象进行有效识别的缺点，本文采用小波分析法对原始数据进行有效滤波的基础上，提取脉象信号在不同尺度上的能量作为研究脉象的新特征量。其次，鉴于人工神经网络(ANN)具有很强的自适应学习能力、鲁棒性和容错能力的特点，本文在深入研究脉象数据特征的基础上，构建了一种基于BP神经网络的辨识系统。在神经网络算法设计方面，考虑到牛顿法和共轭梯度下降算法对网络的初始权值依赖性强，进而影响收敛速度和精度的问题。本文设计了一种基于Levenberg-Marquardt算法的BP神经网络，并用它对9种脉象信号(平脉、弦脉、数脉等)进行了成功识别。脉象种类的划分，在临床医学上有其本身模糊性的一面。当前，模糊技术已经越来越多地应用到科学研究领域中，模糊神经网络更是广泛地得到应用。本文针对从脉象数据中提取的特征信息的特点，设计了一个模糊神经网络，用它对脉象信号(平脉、弦脉、数脉等)进行识别。最后，将本课题提出的脉象信号特征提取与识别算法应用于脉象辨识系统进行脉象识别，通过仿真实验，证明了本文算法的可行性和有效性。研究表明，采用本文提出的基于Levenberg-Marquardt算法的BP神经网络和模糊神经网络系统进行脉象信号分析时，识别正确率分别达到83.3％和88.9％。本文的算法是针对人体不同脉象分类而提出的一种脉象特征提取与识别方法，此方法对于脉象客观化、脉象识别，和其它模式识别系统的研究仍具有一定的参考意义。