由于人们的健康观念在不断变化，人们的健康意识也不断加强，对与健康相关的产品需求也越来越大，有效监控人体健康状态的设备与手段也在不断的得到发展。因此，本文就针对多种人体生理信息如何进行有效的监测与分析进行了研究，完成采集人体的心电、脉搏、脂肪含量及体表温度值等多种生理参数的硬件系统的开发，预处理及数据采集与分析系统软件设计，论文利用隐马尔可夫模型进行聚类分析的研究包括对人的心电信号进行分类与识别，以实现利用心电信号进行监测与诊断的目的。主要内容包括： 针对人体生理信息的特点，选取了心电信号、脉搏信号、脂肪含量及体表温度等四个生理参数用于监测与分析。本文首先介绍了各种生理信号的特点，根据每种生理信号选择相应的传感器或电极，再通过相应的放大滤波电路，将生理信号处理成可供分析的信号，A/D转换后传送到计算机中以备分析使用。在以上的生理信号中，根据心电信号的具体特点，合理的设计采集电路在本文中是最主要的内容，本文在电极的选择、导联线的布置以及在模拟电路的结构设计上采用人体右下肢驱动电路、导联线屏蔽驱动电路及滤波器的设置等多种方式，保证了所采集的心电信号的准确性和可用性。 由于心电信号过于微弱，在采集的过程中引入的多种干扰难以在硬件上滤除干净，因此，为了获得可供肉眼观测的较为纯净的心电信号，本文采用了两种数字滤波方法对心电信号进行消噪处理。首先，工频干扰在心电信号中影响最大，使信号的可分析性大大降低，本文采用了一种简单有效的滤波方法即平滑滤波法，有效的滤除了工频干扰，同时，由于其算法比较简单，可以在采集的同时进行滤波处理，满足了其实时性；其次，在心电信号中存在不同频率的干扰成分，本文采用了小波变换算法，将心电信号利用小波变化进行多层次分解，设定不同的阈值，将每层信号中高频干扰消除，然后重构，即可获得干净的心电信号。本文也设计了生理信息的数据采集分析软件，可以实时采集与显示信号的采集过程及实时的进行工频滤波处理。 本文还利用隐马尔可夫模型对采集得到的心电信号进行分类及识别分析。首先将心电信号进行相应的分类，选择一部分数据并提取其特征向量用于模型的训练，建立数学模型，再利用另一部分数据进行识别试验。在试验中，自测心电数据与美国MIT-BIH中的部分数据进行了比较分析。在自测数据中进行不同的人物识别，识别率达到了94％以上；而MIT-BIH数据库中的心电数据进行的是正常和非正常的多种健康状态识别，识别率在92％以上。