失眠已成为严重困扰人们正常生活的一种疾病,长期失眠会对身体和精神造成双重伤害。尽早确诊患者的睡眠状况,能够有效减少失眠带来的危害。当前临床实践中主要由医生根据量表或多导睡眠图进行诊断,而患者对睡眠认知不清晰易导致量表测评获取伪信息,使用多导睡眠图技术对操作人员和设备也有较高要求。基于此背景,本文旨在提出一套便捷、客观、高效的失眠障碍诊断系统,应用于临床工作。睡眠分期是对睡眠过程的划分,能够提供包含有效生理信息的睡眠结构,有利于实现失眠的精准诊断。因此,本文围绕睡眠分期和失眠症识别两方面展开,主要研究工作如下:首先,针对男性健康人群的心率变异性（Heart Rate Variability,HRV）信号,使用递归定量分析（Recurrence Quantification Analysis,RQA）挖掘有效非线性动态信息改进睡眠分期。通过典型HRV分析方法提取线性和非线性静态信息,构建文献特征集、RQA特征集和复合特征集开展对比研究。根据专家标注的睡眠期变量对特征集进行类平衡,然后利用离散隐马尔可夫模型分别对平衡特征集的变量进行分类识别,最终采用简单投票方法获得睡眠分期结果。实证分析得到复合特征集有更高的分类准确率和卡帕系数,认为RQA特征能够有效提升睡眠分期性能。其次,依据上文提出的优化算法,拓展实验的受试人群类型,开展睡眠分期研究。数据来源于CAP（Cyclic Alternating Pattern）公共数据库,选用的健康和失眠对象各有6名,男女比例均为1:2。同时考虑睡眠状态和性别两个因素,将研究对象分为四组,分别进行睡眠分期实验。针对不同类型人群,睡眠分期实验均得到了高分类准确率,且分类结果与专家标注结果高度一致。因此认为该算法对失眠患者仍然适用。最后,以多类型人群的睡眠分期结果为基础,探究连续隐马尔可夫模型识别失眠的效果。实验数据是从CAP数据库提取的32维复合特征。通过对特征进行相关性和主成分分析,决定在不同性别人群下探索各睡眠期信息对失眠诊断的影响。独立样本T检验结果表明男性和女性受试者的年龄差异可忽略不计。根据实验结果可知,连续隐马尔可夫模型进行失眠诊断能够降低漏诊率和误诊率,认为男性和女性患者分别使用浅睡期、深睡期生理信息诊断失眠障碍是更佳的选择。