睡眠影响包括健康、记忆、认知和生活质量等与人类生活息息相关的各个方面。日常睡眠监测可以帮助了解睡眠状况、及时诊断睡眠障碍,降低睡眠相关疾病发生的概率。多导睡眠图是识别睡眠觉醒状态的金标准,但其采集过程复杂,专业性高,无法满足睡眠监测家庭化、日常化的需求。有监督的自动识别算法需要大量带有高质量标签的数据训练模型,训练数据较难获得、个体差异性大,有监督分类模型普遍泛化能力不强,因此寻找一种基于简单信号的无监督睡眠觉醒识别方法成为当前研究热点。自主神经系统的神经中枢——下丘脑能够调控睡眠过程,自主神经系统的活动状况也可以使用心率变异性来表征和评估。根据这一理论基础,本研究提出了一种基于心率变异性的无监督睡眠觉醒识别方法。首先,根据心冲击信号的波形特点,提出了一种长时心冲击信号的J点定位算法,同步采集了5组ECG和BCG信号,提取BCG信号的J点并分析RR间期和JJ间期的一致性。将UNSW算法应用于被不同种类噪声干扰的心电信号中,计算得到R点位置,并将计算结果与节拍标注进行相关性和一致性分析,同时对比UNSW算法与Pan-Tompkin算法的效果。使用提出的J点定位算法提取自测心冲击图数据集（共12个被试）的JJ间期,使用UNSW算法计算三个公开数据库（共61个被试）心电信号的RR间期,构建实验数据集。其次,联合Shapelets算法和无监督聚类算法优点,构建了联合Shapelets和KMeans、联合Shapelets和凝集层次聚类以及联合Shapelets和高斯混合模型聚类三种无监督分类模型。将本研究提出的三种分类模型应用于三个公开数据库（共61个被试）和自测的心冲击信号数据集（共12个被试）并进一步分析了样本不平衡程度对于分类结果的影响。根据分类结果,从混淆矩阵、准确度、精确度、召回率和F1值等多个角度对比分析三个分类模型的表现。结果表明,联合Shapelets和K-Means算法有较好表现,在各数据集分类准确率分别为78%、83.85%、88.26%、89.08%。本文研究了基于心电信号和心冲击信号提取心率变异性序列的方法,构建了三种基于心率变异性的无监督睡眠觉醒识别模型。本文提出的无监督学习方法不需要训练模型,根据样本自身的数据特征完成分类。实验结果表明,联合Shapelets和K-Means算法能够实现基于独立心率变异性序列的睡眠觉醒无监督识别。