本文在简要评述现有心率变异信号线性和非线性分析方法的基础上，主要研究了以下内容： (1)嵌入维的大小在非线性时间序列的分析中起着重要的作用，首先对现有的确定最小嵌入维的方法进行了小结。然后在实验和分析的基础上，提出了确定最小嵌入维的新方法。即：非线性自回归模型的最佳模型阶数可作为最小嵌入维数。在与常用的虚假邻近点方法进行比较后，认为NAR模型方法可以从很短的数据中获得系统嵌入维的信息，从而刻画出系统的非线性程度，代表了系统的自由度。 (2)在简要评述现有心率变异信号分析的线性和非线性方法的基础上，用NAR模型对一组健康人的短时心跳间期信号进行建模。从短时(500点)心跳间期时间序列中，得到健康人的HRV信号的维数信息，即最小嵌入维数在2～5之间。在与传统评价短时心率变异性强弱的时域方法比较之后，认为NAR模型的方法更能反映信号的整体复杂性并且不易受信号非平稳性以及突变噪声的影响。认为NAR模型的方法可以有效的从短时心跳信号中提取出其非线性程度，从而反映心率变异性的强弱，给临床应用提供了方便。 (3)研究了两个不同年龄段对照组的心跳间期信号。研究对象分为两组：年轻组和年老组。发现老年组的NAR模型阶数明显小于年轻组的结果。这表明随年龄老化，心率变异信号非线性程度有所下降。其原因是由于人体自主神经控制能力随着年龄的增长而逐渐衰退。有力的支持了心跳系统的复杂性主要由神经自律能力决定的观点。在与常用的短时数据复杂度评价方法——近似熵方法比较后，认为NAR模型方法能更有效的从短时数据中检测出人体因年龄老化而引起的心率变异性非线性程度的变化。此外，为进一步考察NAR模型的各参数设定，引入智能并行算法——模拟退火算法，对NAR模型进行优化，初步将系数设置为待优化目标，发现模拟退火算法能有效减少系数在最小嵌入维以上幂次方项的分布。更进一步验证了“最小嵌入维即NAR模型的模型最佳阶数”的结论。并且为实现在幂次当中引入变量(可以是小数)，进一步优化NAR模型，达到更准确描述系统的目的提供了思路。