脉诊是中国传统医学诊断的根本办法,但仅凭借医生的手指感觉和经验来判断,使得辨脉时缺乏统一、精确的标准,并使这一国粹处在逐渐消亡的过程中。为了提高脉诊的诊断水平和辨脉准确率,通过计算机对脉象信号进行特征提取和分类识别,使得脉象分析理论得到进一步量化,并为今后的临床医疗提供辅助的诊断作用。本文利用小波变换具有揭示信号时频两域细节和局部特征的能力,采用小波包分解消除脉象信号中的工频干扰,通过小波分解重构滤波法消除因呼吸引起的基线漂移,并用小波变换模极大值法对消噪后的信号进行特征点检测。实验表明,小波理论对一维非平稳微弱信号具有良好的消噪能力和突变点的检测能力,能实际有效地滤除脉象信号中混杂的基线漂移及工频干扰等噪声,并基本无损地保留信号本身特性。将时域中提取的参数比值作为识别系统特征输入,同时利用脉象信号频谱分析,提取功率谱谐波个数及不同频段的谱能比作为辅助特征。将模糊理论中的隶属度函数引入神经网络系统,两者相结合形成正规化模糊神经网络,对提取的特征进行训练识别。实验结果表明,相对于传统的脉象信号识别方法,模糊神经网络具有识别正确率高、网络训练速度快、全局优化、不存在陷入局部极小点等优点。9特征下,对于气虚、气滞、健康的识别率分别达到92.86%、85.37%、92.68%,平均识别率为90.32%,较好地实现了脉象信号的分类识别。