很久以来中医一直依靠指面感觉来体会患者桡动脉搏动处的脉象信息,因此诊断时需借助医师的经验,这样使得其应用和发展都受到了很大的限制。所以,利用现代科技对脉诊进行客观化研究是一项必要的工作,脉诊的客观化研究也是一项刻不容缓的工作。长期以来研究人员都是通过对脉象信号提取一些时域或频域的特征来进行研究的,没有将脉象信号提高到整体角度来进行分析。本文从整体角度对脉象信号进行分析。采用AR模型的所有参数特征表示小段脉像信号的形态特征。接着采用隐马尔可夫模型来模拟小段信号与小段信号之间的关系,这样既考虑到了脉象信号的细节特征,又考虑到了其整体特征,有利于脉象信号的多样性分析,同时也更加符合中医脉象的整体观念。本文采用db3小波去除脉象信号中的高频噪声,很好地保留了信号本身的信息。针对被采集者的呼吸或者体动产生的基线漂移,本文采用三次样条插值法去除脉象信号中的基线漂移。由于采集环境的不同和采集操作的多样性,本文对预处理之后的单周期样本进行了归一化处理。在特征提取阶段,本文采用模拟时序信号走势极有优势的AR模型来表示小段脉象信号。同时将AR模型特征联合小段信号的均值特征和一阶导特征一起表示小段脉象信号。模式分类阶段,本文采用非常适合时序信号建模的隐马尔可夫模型进行分类实验。隐马尔可夫模型建模过程中用到了分段K-均值方法和F_L算法,均得到了较好的分类结果。分段K-均值方法通过随机设计初始化聚类中心得到隐马尔可夫模型初始参数值,模型训练的过程采用的是EM算法,因此随机参数初始值会影响最终实验结果。本文联合F_L算法和分段K-均值方法对模型进行改进,也就是利用F_L算法得到的结果对分段K-均值方法的模型参数值进行初始化,改善了分段K-均值方法的初始化过程,使其更加适用于脉象诊断。将本文方法与其它分类方法进行比较,实验结果表明,联合算法得到较好分类效果。本文最后将联合算法应用于疾病数据集上,也得到了较好的结果。