结合传统中医理论与现代脉象信号处理方法,探索脉象规律,对无创人体状态监测、疾病的诊断与预防有重要意义。糖网病（Diabetic Retinopathy,DR）是糖尿病并发症的一种,危害患者身心健康,属于四大致盲疾病之一。针对现有糖网病诊断技术的流程繁琐、空间限制、有创等不足,本研究通过分析糖网病人与健康人的脉搏波特征差异及生理机制,结合分类结果,总结有意义的特征指标,可辅助医生根据脉搏进行糖网病的早期筛查。本研究通过四诊仪获取91名糖网病患者和91名健康人的脉搏波数据,预处理后,进行特征参数提取。在时域上,基于求导极值和小波重构系数,探索周期内的时域特征提取方式。重搏波位置与“db1”小波分解的第一层重构系数的周期内过零点位置对应,据此实现了重搏波定位,并综合统计学t检验方法筛选出能够表征糖网病人和健康人脉搏波形差异的时域特征集。在频域上,应用基于自适应完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）的希尔伯特-黄变换、小波变换、功率谱方法,分析脉搏波频段能量,结果显示糖网病人和健康人的频段能量有显著性差异,并筛选出主要表征两组数据人体脉搏波频域差异信息的特征集。为了衡量脉搏周期的稳定程度,使用三种方法构建复杂网络:利用动态时间规整算法计算周期间的相似度,得到相似度稀疏矩阵,基于可见性（Visibility Graph,VG）和基于水平可见性（Horizontal Visibility Graphs,HVG）算法,得到稀疏矩阵,并根据稀疏矩阵构建复杂网络提取节点的度出现概率等特征,获得了相应特征集。比较这三种构建方法,针对本数据集,HVG网络对脉搏波的拟合效果最好,VG网络提取有意义特征的效率最高。非线性20尺度样本熵显示糖网病人脉搏复杂度比健康人在众多尺度上高,相应筛选有意义的特征集。为了验证各组特征的差异效果,本研究对特征数据进行预处理,分别将时域、频域、复杂网络、非线性、综合特征输入支持向量机（Support Vector Machine,SVM）进行分类。其中时域准确率可达到80%以上,综合数据集准确率可达85.2%。实验表明,本研究提取出的特征集对脉搏包含的糖网病人生理病理信息具有较好的表征效果,有助于对糖网病进行及时筛查与诊断。