随着生活水平的提高,人们对健康的关注程度越来越高,尤其适应快节奏生活的同时出现了多种便携式生理设备。这些设备主要依赖于光电容积脉搏波的检测方法,对人体的脉搏进行检测并根据脉搏波进而分析人体的各项生理参数。脉搏波中不同的特征点反映出不同的人体生理信息,为了更准确的检测人体的生理参数以及提高设备的运算速度需要对脉搏波中的特征点进行准确的提取。脉搏波中的主要的特征点包括主波峰、潮波及重搏波。对采集的脉搏波信号去噪并去除其基线漂移完成数据预处理;对主峰点本文提出一种识别脉搏波各周期主峰及起始（结束点）的方法;重搏波则使用小波分解的方法提取;潮波表现为隐蔽特性所以本文引入了心电作为辅助信号进行提取;对于心电信号通过极值阈值与小波变换相结合的方法提取了其R峰;使用窗函数的方法提取了对应P波和T波位置。在完成了对脉搏波和心电信号特征点的提取后,根据脉搏波与心电的时域对应关系确定了R峰对应脉搏波的主峰、T波对应重搏波,由此通过心电信号对潮波进行了对应提取。为了提高特征点提取方法的普适性,脱离辅助信号的限制,本文对脉搏波特征点的位置分布规律进行了统计分析,主波峰相对于各周期起始点大约占比所在周期的0.206;重搏波相对周期起始点大约占比0.6542;潮波相对周期起始点大约占比0.3792;重搏波相对主波峰大约占比0.4482;潮波相对主波峰大约占比0.1731。在分布规律的基础上优化了对拐点型重搏波的提取方法。为了验证提取的特征参数位置的准确性,本文建立了收缩压BP神经网络模型将175组数据分为135组训练集和40组验证集,含有潮波特征参数的模型MAE为4.32mmHg,误差在±5mmHg的准确率为75%,±10mmHg的准确率为92.5%,且其精度优于不含潮波特征参数的模型,验证了特征参数提取的准确性。