阻塞性睡眠呼吸暂停低通气综合症（OSAHS）由于具有高患病率、高风险和高死亡率等特性,已经逐渐的被重视起来。为寻找一种替代多导睡眠仪（PSG）的OSAHS诊断方法,能够高效率、高准确率以及更加简单方便的去评估受试者的患病程度,本文主要利用血氧饱和度（Sp O₂）信号统计受试者睡眠期间发生呼吸暂停或低通气事件的次数,进而计算其呼吸暂停低通气指数（AHI）,并评估该名受试者的患病程度。本文使用的数据是通过指夹式血氧探头采集的Sp O₂信号,并针对我们的实验目的对数据进行了预处理,包括分段、标注和去除无用数据等操作。然后本文对已经分段的Sp O₂信号提取了基于时域的35个特征参数,包括用来表征信号的复杂程度的近似熵、集中趋势测量（CTM）以及LZ复杂度等特征,和用来描述信号的下降程度和持续时间的?index、血氧饱和度下降指数（ODI）以及TSA等特征,本文并根据血氧饱和度下降指数的原理和提取方式总结出了ODIxy特征参数。本文通过皮尔森相关系数选择、基于最小冗余-最大相关（m RMR）算法选择和基于后向搜索算法的包装器三个特征选择处理,在不影响分类准确度的前提下,对特征集合进行了精简优化,将特征集合从35维降低到了7维。通过比较分类器的训练和测试,根据分类准确度的考量,本文选取了随机森林分类器,该分类器对一段Sp O₂信号中是否包含“呼吸暂停-低通气”事件的识别准确率达到了86.92%,特异度是90.7%。本文利用随机森林分类器计算了25名受试者的AHI指数,并与其利用PSG得到的AHI指数进行了线性回归分析,在评估受试者的OSAHS患病程度方面,本文可以达到92%的准确率。