睡眠呼吸暂停低通气综合症（Sleep Apnea-Hypopnea Syndrome,SAHS）是指在睡眠状态下反复出现呼吸暂停、低通气等症状的临床综合症。目前主要诊断该病症的监测睡眠多导图手段耗时又耗力,而且SAHS发病症状的不明显造成SAHS确诊率较低、易错过治疗最佳时机等问题,因此依据生理信号识别出SAHS有较大的研究意义。相比于其它生理信号的获取方式,脉搏血氧测定设备便携,易在家庭环境中设置,获取动脉血氧饱和度（Arterial oxygen saturation,SaO2）信号成本较低,依据SaO2信号自动识别SAHS技术的发展显得至关重要。本文依据传统生理信号识别SAHS的特性,经过分析和学习提出基于传统特征识别SAHS算法和基于迁移学习的Res Net18网络识别SAHS算法（分类类别为正常表示未患有SAHS,以下内容不再区分识别与分类,统称为识别）。实验数据选用睡眠心脏健康研究数据库（Sleep Heart Health Study,SHHS）中受试者的SaO2信号,具体研究内容如下:（1）提出了基于SaO2信号的多尺度基线特征的SAHS识别算法本文首先提出最近赋值法解决数据库采集SaO2信号过程中由于传感器引起的零电平伪影现象,并选用随机平衡数据处理法解决数据库中受试者患病严重情况不均衡的现象,得到平衡数据集;其次,在已获取数据集的基础上,基于SaO2信号与SAHS之间的关系分析,自定义各长度为50的数据片段基线值,分别提取基线下降尺度高于2%、3%、4%的长度、尺度和以及15个时域特征,形成特征数据集;最后,选用支持向量机和随机森林分类器识别SAHS,得到的平均识别准确率为86.25%。为了进一步提高识别率,解决特征数据集中部分基线特征相关性较高问题并增大类间特征距离,算法在分析主成分分析法、核主成分分析法、核线性判别分析法原理的基础上,选用核线性判别分析法对特征数据集进行降维处理,得到新的特征数据集,最后通过随机森林分类器识别SAHS。经过核线性分析法的平均识别准确率为97.5%,较降维前准确率提高了11.25%。（2）提出了基于Res Net18迁移网络的SAHS识别算法首先,算法将预处理后的SaO2信号转换为图像,再对其采用随机裁剪预处理法形成数据库;其次,引入迁移学习的概念,基于Res Net18网络依次训练SaO2信号得到A-Res Net模型、训练语谱图和SaO2信号得到TL-X Res Net模型、训练语谱图得到TL-ⅠRes Net模型;为了使SaO2信号的细节信息更明显,将随机裁剪预处理法优化为缩放法,并基于Res Net18网络训练语谱图得到TL-ⅡRes Net模型;最后,将SaO2信号分别作为以上四种模型的输入识别SAHS,平均识别准确率依次为53.5%、76%、85.75%、93.75%。与训练原始的Res Net18网络相比,基于迁移学习的Res Net18网络识别SAHS的平均准确率提高了40.25%。