打鼾是睡眠呼吸暂停的主要症状,与高血压、心血管疾病也存在一定的联系,不仅反映出个体的身体状况,对他人的睡眠质量、生活以及工作情况也会造成影响,由此可见,对鼾声的识别、分析以及诊断十分重要。目前对鼾声的研究主要为正常鼾声与病理性鼾声的区分、鼾声阻塞部位诊断以及简单环境中的鼾声识别三个方面,本文研究了基于多类杂音的复杂环境中鼾声信号识别算法以及其硬件与软件实现,适用于现实复杂环境,具有准确度高、实时性好的优点,具有较强的应用价值。本文主要内容如下:首先介绍了现有的鼾声识别方法,在样本数据预处理后,对基于K-Means聚类的无监督型鼾声识别算法和基于线性SVM的监督型鼾声识别算法进行测试,基于K-Means聚类的算法准确率为73.8%,基于线性SVM的算法准确率为89%。接着设计了基于DTW(动态时间规整)的鼾声识别方法,该方法结合了模板匹配与监督学习。将样本音频与三个模板进行DTW运算,得到三维匹配距离,对匹配距离进行人工标定,通过使用决策树对标定后的数据进行训练来得到分类模型,算法准确率可达92.5%。进一步针对基于DTW的鼾声识别算法在低信噪比时识别效果不理想的情况,设计了基于VMD(变分模态分解)的鼾声识别算法,该算法对信号进行VMD分解并提取特征,利用随机森林分类器对特征进行分类,算法平均能达到94%的准确率。最后,在STM32F407-VGT6硬件平台上完成了基于DTW的鼾声识别系统,在电脑端完成基于VMD的鼾声识别系统上位机软件。利用两个系统对样本数据进行测试,基于DTW的鼾声识别系统准确率为85.5%,基于VMD的鼾声识别系统的准确率能够达到88%,验证了本文方法的有效性。