阻塞性睡眠呼吸暂停低通气综合征(OSAHS)患者睡眠呼吸过程中由于上气道咽部结构堵塞而出现呼吸紊乱的病理行为,包含低通气和呼吸暂停症状。且该病症是一系列心血管疾病的诱因,严重危害患者健康。长期以来,多导睡眠仪(PSG)是医院对于呼吸障碍症状的检测手段,但存在仪器监测复杂且受众率低的缺点。本文从鼾声信号分析的角度对病理鼾声进行分析,目的在于为OSAHS患者提供便捷家用且低成本的监测方法。本文通过硬件平台结合PSG设备标注进行数据采集,对于家用环境下环境噪声复杂多样的睡眠鼾声信号进行端点检测算法的研究。在信号预处理过程后,对于常规算法在低信噪比(SNR)环境下检测率低,漏音和误判现象,采用多窗谱谱减降噪结合子带能熵比法的端点检测复合算法。实验结果显示,在复杂噪声环境下,不同受试者的鼾声信号端点检测结果准确。在添加Noise-92标准噪音数据库中不同类别噪声后,鼾声片段的端点检测识别率依然达到96%。本文算法实现了对于整夜鼾声信号中目标鼾声段的准确截取。对于采集的鼾声样本,以患者信息表和各类别鼾声样本构建鼾声样本数据库,方便之后数据的查询和管理。其次,对于受试者鼾声样本进行声学分析,探讨普通打鼾与OSAHS患者打鼾在声学特征上的差异。本文实验提取了鼾声样本的Mel倒谱系数(MFCC),线性预测倒谱系数(LPCC),共振峰,基频,谱熵,PR500,频谱质心和频谱平坦度等特征。对于大维度的MFCC和LPCC特征,基于Fisher比进行了两种方案的特征融合,融合特征维度不变且识别效果更好。最后,结合PSG设备对患者鼾声样本进行标记,并将呼吸紊乱事件中鼾声分为普通,低通气中以及呼吸紊乱事件前后四类鼾声。首先验证了支持向量机不同核函数对于鼾声样本分类的效果,并对最优核函数基于不同声学分析特征进行分类实验。实验表明:径向基核函数对于四类鼾声信号整体识别率效果最好,且融合特征方案分类性能更好,达到了81.6%整体识别率,AUC达到0.923。并通过集成学习的方法,经过调参后的XGBoost算法对于鼾声样本分类整体效果更好,AUC达到了0.943,可作为最优分类方法对鼾声样本进行分类。实验结果验证了本文方法对于辅助监测OSAHS病症的可行性,可在临床上提供一定的借鉴。