全球范围内睡眠障碍问题日趋严重,对人们的日常生活,身体健康,国民经济等都造成严重影响。而睡眠呼吸障碍（Sleep-disordered breathing,SDB）是睡眠障碍中最常见的一种慢性疾病。研究可以代替传统的PSG实现对SDB患者的高精度睡眠检测的便携式设备是必要的。本论文提出了基于两种策略的SDB睡眠检测方法,为日后研发针对于SDB的家居化的睡眠监护设备提供理论基础。本文主要研究内容包括:1.为提升分类模型性能,从特征角度和数据量的角度提出两种策略。第一种策略是将ANOVA与最大相关度和最小冗余度算法结合的特征选择算法。第二种策略是基于权重的重采样算法。结合两种策略提出本文的分类模型框架。2.使用该框架进行SDB人群的睡眠分期算法研究。首先说明对SDB人群进行睡眠分期算法研究是实现高精度SDB人群的睡眠检测的必要工作。分析了采取两种策略前后分类模型性能的变化,SDB患者分别使用健康人模型与SDB模型的分类效果差别。3.使用该框架进行睡眠呼吸暂停的分类识别算法研究。实验结论为:1.两种策略采用前后SDB患者的三种分类的总体分类准确率平均增加了 8%,Kappa系数平均增加0.300。健康人群的三种分类的总体分类准确率平均增加了 9.3%,Kappa系数平均增加0.353;这说明所提出的两种策略能有效提升分类模型的性能。2.本文提出的SDB的睡眠分期算法的分类一使用9个特征,实现总体分类准确率80%,分类二使用8个特征,实现总体分类准确率83%,分类三使用8个特征,实现总体分类准确率85%,可以满足便携式睡眠检测的需求。但SDB患者使用健康人模型对睡眠时相进行识别时,发现与使用SDB模型相比准确率均明显下降,分类一下降了 11%,分类二下降了 31%,分类三下降了 11%,以上结果进一步说明了健康人的睡眠分期模型对SDB人群不适用,探索针对SDB的睡眠分期算法对实现SDB患者的高精度睡眠检测的便携式设备十分重要的。3.本文提出的睡眠呼吸暂停识别模型采用的9个特征实现总分类准确率80%,Kappa系数0.61,可以满足便携式睡眠检测的需求。