脉搏是人体重要的生理特征之一，是由心脏周期性的收缩和舒张引起的，它综合了心脏、动脉管弹性和血液体积、粘度等信息，可作为诊断心血管类疾病及其恶劣程度的指标。近年来随着传感器的发展，测量和保存脉搏信号都变得极为方便，目前脉搏波的特征分析是信号领域研究的一个热点，也是一个难点。因此，实现对脉搏波形的自动分析识别，在无创诊断、远程监护等方面都具有重要的意义。本文主要的研究成果和创新点包括以下几个方面：1、针对脉搏信号噪声去除的难题，本文使用近几年逐渐发展起来的集合经验模态分解（EEMD）理论进行研究。相比于小波变换，EEMD更具有自适应性，使信号特征更清楚。相比于EMD，EEMD能够有效地解决模态混叠问题，且IMF分量的物理意义更加明显。（1）对于低频基线漂移，本文提出了一种基于EEMD自适应基线漂移校正算法，在对有效信号损伤最小的前提下，实现了对低频干扰的去除；（2）对于混入的高频干扰，本文选取合适的阈值函数，采用小波阈值消噪法去除高频噪声；（3）实际脉搏噪声信号往往会是工频干扰、基线漂移、肌电噪声的复合信号，本文提出了一种基于EEMD与小波阈值的混合消噪算法，实验结果表明，相比于其他几种方法，本文算法的消噪效果有了明显提高。2、针对脉搏波形特征点识别的难题，本文提出了一种基于平稳小波变换及模极大值检测的脉搏主波、重搏波提取算法，实现了对其精确定位并基于特征点提取时域特征参数；为了避免时域特征研究的单一性和局限性，本文进一步深入挖掘脉搏的时频域特征，提取了IMF能量矩、小波能量系数矩阵以及基于HHT边际谱的能量特征。由此实现脉搏波形多域特征参数的准确提取。3、针对两类脉搏信号的分类问题，本文提出了一种基于脉搏多域特征和ICA-SVM的信号分类算法，并对主成分分析（PCA）和独立成分分析（ICA）两种降维技术对SVM分类器性能的影响进行了详细研究。经MP监测系统上实际脉搏数据库中30组正常人、20组妊娠高血压疾病患者数据进行SVM测试，实验结果验证了本文算法所提取的脉搏特征值具有稳定性和有效性，可作为分类识别的特征量，同时也验证了本文提出的脉搏信号分类算法的可行性。