人体脉搏信号是一种非常重要的生理信号，包含了大量反映人体健康状况的信息。中医学中通过脉诊的方式获取人体的脉搏信号，根据脉搏搏动的特点定义了不同的脉象信号。脉诊过程需要中医师用手指来感受人体桡动脉处的脉搏搏动，因而诊断结果受医师的主观意识和临床经验等因素的影响较大，且脉诊方法的掌握需经历长时间的学习和实践。因此，脉诊的客观化研究是中医脉诊发展急需解决的问题。本文针对脉诊客观化问题，从脉象信号的采集、信号处理和模式识别三个方面对脉象信号进行分析和研究。
　　在脉象信号采集方面。本文研究了压力脉搏传感器、光电脉搏传感器以及超声脉搏传感器的结构和原理，最终选择了以压力脉搏传感器为采集元件的智能脉象仪，该脉象仪契合传统中医脉诊过程。使用该脉象仪设计实验，完成了脉象信号的采集，为脉象信号的识别提供有效的数据支撑。
　　脉象信号的信号处理主要包括脉象信号的预处理和特征提取。针对传统的Hilbert-Huang变换（Hilbert-Huang transform，HHT）在处理非线性、非平稳信号时存在的分解性能低、模态混叠以及有效分量提取的问题，本文对传统的HHT分析方法进行了改进。将基于时变滤波的经验模态分解（time-varying filtering based empirical mode decomposition，TVF-EMD）与相关系数法相结合，自适应地提取有效的模态分量，滤除干扰成分，并在此基础上进行特征提取。实验结果表明，本文方法处理后得到的脉象信号包含原始信号的有效成分，去除了信号中的干扰成分，提取的特征更具有判别性。
　　将深度置信网络（deep belief network，DBN）应用于脉象信号的识别中。研究了深度置信网络的结构和训练过程，通过实验设置网络的最优参数，构建了脉象信号的分类模型，并设计了与反向传播（back propagation，BP）算法和支持向量机(support vector machine，SVM)算法的对比实验。实验结果表明，本文构建的分类模型对采集的四种脉象信号的分类性能优于反向传播算法和支持向量机算法，对深度置信网络在脉诊客观化研究中的应用具有重要的参考价值。