呼吸音是人体呼吸系统与外界在换气运动中产生的音的总称，蕴含着丰富的呼吸系统病理和生理信息。然而呼吸音的随机性、呼吸音获取和分析技术的细节方面的诸多不同，致使呼吸音分析的结果有较大的差异，也使得对照比较不同中心的研究结果比较困难。随着计算机技术及信号处理技术的不断进步，呼吸音识别作为一个热点课题日益受到关注。特征提取是呼吸音识别的核心问题。特征提取就是通过变换的方法，使得有效的分类特征在变换域显示出来，去掉对分类无意义的信息，寻找最有效的信号特征来构成用于分类识别的模式特征向量。 对于工作稳定的呼吸音分析系统来说，其传递函数保持不变，相应的幅频特性和相频特性也是固定的，因此所采集的呼吸音数据在某种程度上就能反映出被测信号的物理特性。 研究表明，不同呼吸音信号的时域波形以及不同变换后的波形都存在着差异。这种差异可以用包络来描述，包络的不同可以体现不同被测信号的特点。而常用的包络提取方法如Hilbert变换需要与滤波器结合，才能有效的应用，因此，本研究提出了基于复小波变换的呼吸音包络特征提取新方法。 研究中首先对采集到的呼吸音数据进行预处理，确定了四种典型的呼吸音信号(正常、气管炎、肺炎和哮喘)为样本数据。通过分析呼吸音信号的特性及时频分布特点，选取Morlet复小波，并选择适合的尺度对呼吸音数据进行变换得到包络，用包络的统计量和能量构造分类神经网络的输入特征矢量，取得了较好的结果，使识别率达到91.7％。 由于呼吸音信号由多频率成分构成并呈现明显的周期性波动，正常和异常呼吸音信号的能量空间分布会发生相应变化，能量的改变就意味着信号特征的改变，也就是说信号各频率成分能量的不同可以体现不同的被测信号的特性。小波变换作为一种多分辨率的时频联合分析方法，可以比较有效的提取呼吸音能量的特征。然而，由于呼吸音信号的频带较宽，而小波变换只是对尺度空间进行了分解，存在着“高频低分辨率”的缺陷。因此，本研究提出了基于小波包系数能量的呼吸音特征提取新方法。该方法首先根据小波包和呼吸音信号的特点，利用小