脉搏波是心脏射血冲击血管，经血管壁反射而形成的一种传播波。脉搏波信号能反映出人体的一些生理与病理信息，所以脉搏信号一直是人们关注和研究的重要医学信号之一。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，无创推导动脉血压以及计算各项生理学成为临床研究的很重要的方面。在这过程中，脉搏波的特征点分析识别是这些计算和推导的前提。人们按照血液在血管中流动的过程，把脉搏波分为七个特征点。对特征点进行识别是目前研究的一个热点，也是一个难点。脉搏波的形状和反映了人体各方面的状况，不同人、不同身体状况时，脉搏波的形状都不相同，也正是由于脉搏信号的不确定性。使得脉搏波的特征点识别面临诸多困难。本文针对脉搏波特征点的识别问题展开研究，传统的微分识别脉搏波特征点的方法对于周期的划分不准确，而且特征点中存在拐点，单纯的一次微分不能准确识别这些特征点的位置。针对上述存在的问题，本文提出一种混合算法用于识别特征点，它采用二次微分和小波变换相结合的方法完成识别，首先用小波变换划分周期，找出基准点c，并以此作为脉搏周期的划分点，然后用二次微分的方法识别特征点。实验结果表明，相比于传统方法，次算法的识别准确率有了明显提高。在研究中还存在另外一种现象，由于脉搏波的多样性，部分脉搏波中的潮波并不明显，利用传统的方法很难确定其位置。本文在对脉搏波的频域成分进行分析的基础上，发现潮波在频域上所处的频率位置是5Hz左右。然后利用小波变换的多级特性，把脉搏波分解成多个频率成分。利用不同阶上的小波系数表征的不同频率范围成分，将不同阶上的小波系数相减，然后利用相减后的系数波形去识别原始脉搏波中的特征点。研究发现，单个周期内，最大值后的第二个极大值点对应着脉搏波中潮波的峰值，也就是特征点e。实验表明，该方法对明显特征点e和不明显特征点e的识别上都有着明显的效果。同时本文将研究成果进行了应用，主要集中于两个典型的应用。一个是脉搏波传播速度（PWV），利用脉搏波的特征点识别能够准确的计算PWV，是临床判断人体动脉硬化的一个很重要指标，使得诊断的时候更准确。另外一个重要应用是中心动脉压的无创推导，中心动脉压作为临床的重要指标，比传统的肱动脉血压更具有价值。本文利用脉搏波的特征点位置去确定中心动脉压的最高点和上升点，据此训练经验公式，计算压力值，为无创推导中心动脉压创造了可行数据准备工作。