生理信号是由生命体多个系统相互作用产生的，不同系统作用的时间和强度不同，导致生理信号具有时间和空间上的复杂性。传统的复杂性分析方法，如去趋势波动分析、多重分形、熵分析等只考虑了原始信号在一个尺度上的复杂性，一方面这不利于全面了解系统动力学规律，另一方面在一个尺度上往往不能够正确区分各种信号的复杂性大小，在疾病诊断方面效果欠佳。因此人们开始关注生理信号的多尺度分析，在这方面，Costa提出的多尺度熵(MSE)是最早提出并且使用最广泛的多尺度方法。　　不足的是，MSE的粗粒化过程导致尺度化后数据长度变短，使得其只能用于长时数据分析，计算实时性欠佳，这限制了其在临床中的应用。为满足临床实际的需要，近年来，短时生理信号的非线性分析越来越受到人们关注。遗憾的是，目前还没有成功的多尺度复杂性分析方法能够用于短时（尤其是500点以下的）生理数据。本文针对生理信号的多尺度复杂性方法展开研究工作，重点研究了针对短时数据的多尺度分析方法，另外研究了多变量的多尺度方法，具体工作和创新点如下:　　(1)我们提出了多尺度能量(MSP)分析方法，以经验模态分解(EMD)作为尺度化方法，将原始信号分解为多个时间尺度分量，也就是本征模态函数(IMF)，计算每一个分量的能量，得到其能量分布。相比较MSE，本文提出的MSP具有两个优点，1）EMD分解在所有尺度上得到的数据长度相同，因而不会导致数据长度减小，使其可以用于短时间数据分析;2）对于不同尺度分量，我们关注其能量而不是样本熵，能量分析不容易受噪声的影响。　　数据仿真结果显示，MSP可以有效的区分高斯白噪声和1/f噪声，前者能量分布在整个尺度上呈递减的趋势，后者在整个尺度上基本保持不变，说明长时相关信号在整个时间尺度上具有均匀的能量分布。将MSP用于ECG能量分析，发现疾病会引起短时间尺度上能量的显著降低，并且这种降低的程度与疾病严重程度呈正相关。将MSP用于HRV信号，正常人HRV的MSP曲线呈平稳或递增的趋势，也就是长时间尺度能量更高，而CHF患者出现相反变化，从短时间尺度开始逐渐下降，长时间尺度能量显著降低。分析冥想训练引起的HRV能量分布变化发现，太极和瑜伽训练导致HRV能量分布趋于噪声化，说明冥想训练导致HRV长时相关性消失。　　(2)我们提出了加权集成多尺度熵(WIMSE)，实现了在极短数据下的多尺度熵分析。其思路是将不同起点的粗粒化结果形成不同的粗粒化子空间，在样本熵计算时，既要考虑自身空间邻域匹配，也要考虑相似空间的邻域匹配，这样做的好处是通过扩大的搜索范围，既保留了更多的匹配信息，同时减小了样本熵计算出现无解的概率。通过数值仿真，相比较MSE以及Wu等提出的改进算法RCMSE，WIMSE在有效性、准确性和稳定性方面都得到了提高，并且可以用于500点甚至200点以下的短数据多尺度分析。　　我们将WIMSE首次用于ptbdb数据库的短时HRV分析，成功的将200点以下的HRV信号进行多尺度分析，并且得到了正确的结果。在小时间尺度上健康人、心肌梗死、心肌症三类病人样本熵值没有显著性区别，在长时间尺度上两种疾病患者与健康人成功的区分开。之后，我们将WIMSE用于健康人与CHF患者短时HRV信号、短时EEG信号等，进一步证明其在短时信号分析的优越性。　　(3)针对MSE粗粒化不允许重叠的情况，我们提出了逐点多尺度熵(PPMSE)，通过逐点的对原始数据进行粗粒化操作，增加了数据长度，使之能够用于短时数据分析。通过对高斯白噪声和1/f噪声的仿真分析，验证了PPMSE的有效性，在长时间尺度上1/f噪声熵值高于白噪声，显示出更高的长时复杂性。　　将PPMSE用于短时HRV数据，结果显示PPMSE能够在大多数尺度上显著区分健康人和CHF患者，并且随着数据长度增加，区分效果增强。通过CI参数量化多个时间尺度的累积差异，可以进一步提高分辨效果。另外，我们发现对于幅值具有明确生理意义的HRV信号，样本熵计算的阈值r可以取绝对值，而不是数据标准差的倍数，这样可以增强对两个群组的区分效果。接着，将PPMSE用于EEG分析，进一步验证了其在短时间数据分析下的有效性。　　(4)我们提出了复合多变量多尺度熵(CMMSE)，用于多变量的多尺度复杂性分析。相比较Ahmad提出的MMSE算法，具有两个优势:1）CMMSE针对不同变量可以分别采取不同的策略，如设置不同的维数m、阈值r和长度N，使用灵活;而MMSE只能用于相同长度的数据，并且采取相同的参数设置。2）CMMSE针对不同变量可以给予不同的权重，这样可以增强区分效果;而MMSE对所有数据权重相同，不能根据数据特点灵活调整。　　将CMMSE用于包含不同数量白噪声和1/f噪声的4变量多尺度分析，结果显示CMMSE成功的区分了各个组合，包含1/f噪声越多，长时间尺度上的样本熵值越高。将其用于呼吸-血压双变量数据、COP信号和不同速度下的步态信号分析，均显示出了比MSE更好的区分效果。　　CMMSE还可以用于提高MSE的准确性。将不同起点的粗粒化结果视为不同的变量进行CMMSE分析，可以提高MSE的稳定性和准确性。