近些年,心脑血管疾病因其发病率高、病死率高、完全治愈率低等特点已经受到了人们的广泛关注,每年死于心脑血管疾病的人数居各种死因首位。及时准确的对心脑血管疾病进行检测与诊断,有利于高危人群提前做好心脑血管疾病的预防工作。心脑血管疾病的发病过程与人体自主神经系统的波动状态有关,而心率变异性（Heart Rate Variability,HRV）能够反映人体自主神经系统的波动情况,因此,通过心率变异性信号,实现对人体生理状态的判别,具有重要的理论和现实意义。本文包含3部分主要内容:（1）阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea,OSA）是心脑血管疾病的独立诱发因素,也是心脑血管疾病患者夜间猝死的主要因素。针对阻塞性睡眠呼吸暂停综合症患者的判别问题,本文提出了一种基于多子带时频谱熵的判别方法—MTFSE。该方法首先利用Burst-AR模型估计出HRV的功率谱,得到功率谱的时频图像（TFSI）;其次,根据HRV的生理意义,将TFSI在频域内划分为多个子带。最后,通过研究不同子带TFSIs的香农熵及其相互关系,度量HRV信号的波动特征,实现对OSA患者的筛查。通过PhysioNet数据库中的公开数据集对MTFSE方法的有效性和优势进行了验证。首先将提取的HRV信号分割成5分钟的短时HRV片段。然后,利用MTFSE方法提取特征,再分别采用K最近邻算法（KNN）、支持向量机（SVM）和决策树（DT）三种分类方法对HRV信号进行分类。结果表明,SVM分类算法表现出了最好的分类效果,平均准确率为91.89%,平均灵敏度为88.01%,平均特异度为93.98%。实验结果表明,本文提出的MTFSE方法提高了 OSA疾病患者筛查的准确率,为HRV信号的分析与度量提供了新的思路。（2）心脑血管事件（Cardiovascular and Cerebrovascular Events,CCE）是指由于危险因素作用引起心脏血管和大脑血管病变而产生的急性特发性疾病,包括脑卒中,心肌梗塞等。针对心脑血管事件的预测,本文提出了一种基于高阶奇异熵的预测方法—HSE方法。该方法首先通过希尔伯特变换,计算HRV信号的瞬时幅值（Instantaneous Amplitude,IA）、瞬时频率（Instantaneous Frequency,IF）和瞬时相位（Instantaneous Phase,IP）;然后对 HRV信号和IA序列,IF序列,IP序列分别计算三阶累积量和四阶累积量;最后,对这8个高阶累积量分别进行奇异熵的计算,将得到的熵值作为特征向量,通过PhysioNet数据库中的公开数据集对HSE方法的有效性和优势进行验证。采用KNN、SVM和深度信念网络（DBN）三种分类方法对心脑血管事件病人和未发生心脑血管事件的对照组进行分类,DBN方法对发生心脑血管事件患者的分类表现出最高的准确率,灵敏度和特异度,分别是90.77%,83.56%和98.03%。实验结果表明,本文提出的HSE方法提高了心脑血管事件病人分类的准确率,为心脑血管事件病人的预测提供了新的思路。（3）房颤和充血性心力衰竭是两种典型的慢性心血管疾病,本文针对房颤、充血性心力衰竭两种慢性疾病的诊断,提出了一种新的判别方法—ICBN方法,该方法可对房颤患者和健康对照组进行区分判别,同时也可以对充血性心力衰竭患者和健康对照组进行分类。该方法基于改进的自适应噪声完备集合经验模态分解和复杂网络对HRV信号进行分析,主要研究不同时频尺度空间下的HRV信号之间的耦合关系。首先通过改进的自适应噪声完备集合经验模态分解方法对心率变异性信号进行时频尺度化分解,得到多个模态分量,计算每个模态分量的bubble熵得到熵值向量,把该向量映射成复杂网络,通过对该复杂网络的参数进行量化分析,实现对健康人与房颤患者、健康人与充血性心力衰竭患者的分类。通过PhysioNet数据库中的公开数据集对ICBN方法的有效性和优势进行验证。对充血性心力衰竭病人识别正确率达到89.66%,对房颤患者的识别正确率达到91.86%。综合以上实验结果可知,本文为典型慢性心血管疾病房颤和充血性心力衰竭的诊断研究提供了一种新的思路。人体的生理状态受各种因素的影响,通过心率变异性分析人体的生理状态,有助于进一步解释心脑血管疾病的发病机制。本文重点对阻塞性睡眠呼吸暂停综合症、心脑血事件、房颤和充血性心力衰竭进行判别分析,对心脑血管疾病的预防、诊断和治疗都有一定的指导意义,提供了一种新的思路。