关联分析是统计学的重要分支，源于统计学的创立时代。当前，关联分析仍然是多个领域的研究要点。尤其在统计信号处理当中需要计算信号之间的关联程度。为了能够定量的描述随机变量或者信号之间的关联程度的强弱，当通道数为2时，相关系数是关联程度的量化指标。主要包括皮尔逊积距相关系数，斯皮尔曼秩次相关系数和肯德尔相关系数。其中，皮尔逊积距相关系数在线性相关分析表现优异且算法实现简单高效。斯皮尔曼秩次相关系数和肯德尔秩次相关系数在非线性相关分析中有独特优点。但是，在实际应用当中，经常需要度量多个通道之间的关联程度。很自然的想到通过两两作相关系数求平均作为度量多个通道关联程度的指标称为和谐系数，分别对应平均皮尔逊相关系数(average Pearson’s product moment correlation coefficient-APPMCC)，肯德尔和谐系数（Kendall’s concordance coefficients-KCC）和平均肯德尔相关系数（Average Kendall tau-AKT）。然而和谐系数的统计特性并不明了，如肯德尔和谐系数的方差和平均肯德尔相关系数的方差等。并且这三种和谐系数和对应的相关系数一样各有优缺点，能否提出一种和谐系数能够综合各个和谐系数的优点摒弃其缺点？　　为此，本文从一下几个方面对和谐系数进行探讨：　　1、我们将推导出在多元高斯分布下均值和方差的精确表达式，并通过小样本蒙特卡洛仿真实验验证推导结果的正确性。　　2、我们推导出平均肯德尔相关系数在多元高斯分布下均值和方差的精确表达式，并通过小样本蒙特卡洛仿真实验验证推导结果的正确性。　　3、我们提出了一种新型的和谐系数，称为序统计量和谐系数（order statistics concordance coefficients-OSCOC）。为了能够揭露序统计量和谐系数的统计性质，在多元高斯模型（MNM），两个线性模型（LM）和两个非线性模型（NM）下，我们比较了OSCOC和其他三种经典的和谐系数，分别是平均皮尔逊相关系数，肯德尔和谐系数，平均肯德尔相关系数。为了能够更深入的展示序统计量和谐系数的优势。我们将序统计量和谐系数应用到多通道心电信号的分析当中。理论和实验结果表明，　　（1）我们的提出的OSCOC在前面提到的MNM、LM1和LM2种性能和APPMCC相当。　　（2）在非线性模型下，OSCOC的性能甚至比KCC和AKT的性能要好，KCC和AKT是公认得在非线性中鲁棒性最好的。　　（3）OSCOC在心电信号处理中表现优异。