信号平滑是信号处理领域中的经典问题,信号平滑通常导致信号中峰的钝化,这将影响信号的定性与定量分析。因此,信号的保峰平滑是一项具有挑战性的工作。为了保护峰形,在时域中通常采用高阶Savitzky-Golay方法进行平滑,而为了最大程度的消除噪声,通常又希望采用低阶Savitzky-Golay方法进行平滑,为了解决这一矛盾,本文采用分段分类的思想,结合协同平滑与深度学习的方法提出了两种有效的保峰平滑算法,主要工作包括:（1）提出了基于分段分类与协同平滑的信号保峰平滑算法。通过提取信号的相似段,利用相似段的段间信息以及选择合适的滤波方法,实现信号段的最佳平滑。首先,提取各段的相似段,并将每一段的相似段排成二维数组,分别记为X方向和Y方向,然后对这个二维数组进行平滑处理,在X方向根据这一类信号的曲率选用不同阶次的SavitzkyGolay方法平滑,Y方向是通过信号段的相似性构造出来的,用一个低阶多项式进行拟合,此处的两个方向协同处理称为协同平滑。最后,将处理好的信号段的重叠部分进行加权平均,进一步消除残余噪声,重构得到最终的平滑信号。该方法的优点在于利用了相似段的协同平滑,以及不同特征的信号段可采用不同阶次的Savitzky-Golay方法,在去除噪声的同时又能保护信号的细节特征。（2）提出了基于分段分类与深度学习的信号保峰平滑算法。利用深度学习代替协同平滑环节,更大程度地达到不同平滑方法处理不同信号段的目标。借助网络模型的学习能力,利用卷积自编码神经网络来结合信号分段分类实现保峰平滑。首先,随机产生大量峰信号,然后将噪声信号和对应的真实信号进行分段,接着使用卷积自编码神经网络对信号段进行训练,再利用训练好的卷积自编码网络对测试信号进行处理得到平滑信号段。最后,将这些信号段进行重构,得到最终的平滑信号。实验表明,基于分段分类与协同平滑的信号保峰平滑算法,相较于传统的信号平滑算法具有更佳的保峰平滑性能,用深度学习替代协同平滑环节能进一步提升保峰平滑性能。