非线性行为在自然界和社会科学中普遍存在。人体生理时间序列有着十分丰富的非线性行为,具有极其复杂的特性。人体生理时间序列可以很好的反映人体所处的生理状况,及时的发现它们的变化情况,能为人体的一些疾病达到预警的目的。因此,研究人体生理时间序列的动力学行为特征越来越受得医学界和科研人员的关注,并且变得很有现实价值和意义。传统方法往往在单一尺度或者对单一的时间序列进行研究,如:近似熵、样本熵、小波变换模的极大值法、DFA等,不能准确的探测生理时间序列的动力学行为特征,不能较好地反映出人体生理状态。本文采用多尺度熵(M-SE)的方法,在多标度下分析同步采集的不同生理状态下的两列生理时间序列心电信号和呼吸信号的复杂程度。结果表明运动状态下信号复杂度稍微强于平静状态,而健康个体信号复杂度却远远强于心脏疾病个体。采用多重分形去趋势波动分析MF-DFA、多重分形去趋势交叉关联分析MF-DCCA方法,分析不同生理状态下不同时间序列的长期自相关性和交叉关联特性,并且发现心电信号和呼吸信号都具有多重分形的特征。通过不同的参数多重分形谱宽度、多重分形谱面积、多重分形谱对称度的定量计算,描述多重分形属性的强弱,较好的区分人体不同的生理状态。本文在多尺度下运用不同的研究方法探索人体生理时间序列,能够更全面准确的统计分析出人体生理时间序列动力行为特征。对不同生理状态的区分,也取得了较好的成果。文章的理论基础与实际数据分析,也为临床医学中疾病的预防与治疗提供了一个参考方向。