“医学之要,贵于切脉”,脉诊是中医辨证论治的重要依据之一。在传统中医理论中,医师将手指放置于患者桡动脉的寸、关、尺三个部位,根据脉搏的搏动判断患者的健康状况。近年来,随着传感器技术的进步,越来越多的学者利用基于传感器的脉象采集仪获取脉象信号,并借鉴统计模式识别方法进行脉象样本的分类研究,促进了脉诊的客观化发展。然而,通过传感器采集而来的脉象信号种类繁多,根据不同衡量标准所提取的脉象特征往往又具有不同的表现形式,带来了大量的冗余性数据,对脉诊分析造成了一定的困难。本文主要围绕阵列脉象信号的融合与分类问题展开研究,在脉象信号特征及通道优化的基础上,提出了自适应判别型广义多重集典型相关性分析方法,实现了多通道及多特征的数据融合。在多通道脉象信号特征分析方面,通过特征降维与特征选择完成了对特征的优化。在特征选择中,根据类可分性分析的评价准则,剔除了对脉象疾病分类较不敏感的特征,完成了特征间的初步选择;结合基于KNN的Relief-F算法,对初步选出的各类特征进行了特征内部的最优选择。在通道分析中,分析了各独立通道之间的相似性与差异性,并通过比较脉象通道7种融合方式的分类效果,得出了多通道的最优选择策略,即“寸+关+尺”的三通道组合方案。本文在优化后的特征与通道基础上,提出了适用于脉象数据库的自适应判别型广义多重集典型相关性分析方法。该方法作为一种改进的特征层融合方法,打破了原始特征与通道之间的界限,结合了样本的判别信息、多重集的概念,并为高维小样本总体散布矩阵奇异的情况提供了解决方案。基于自适应判别型广义多重集典型相关性分析的脉象信号融合分类方法,能够在无创操作的基础上,进一步实现多特征与多通道的数据融合。该方法与传统的单特征或单通道分类、传统相关性算法、串行融合、决策层融合相比,能够有效提升均衡样本下各类疾病与健康样本的分类准确率。