呼吸音是人体呼吸系统与外部在换气过程中产生的声音的统称，蕴涵着丰富的病理和生理信息。在手术过程中对患者麻醉状态下的呼吸音进行监测，能够早于其他监控手段预知患者的情况。本文根据麻醉状态呼吸音信号的特点，选择数字信号处理方法试图从不同的角度对麻醉状态呼吸音信号的特征提取方法进行研究，为建立麻醉状态呼吸音信号分析与识别系统打下良好的理论和方法基础，这些研究有助建立一种可被用在术中呼吸检测仪上的软件，从而为医生在手术过程中判断患者情况避免呼吸衰竭提供新的依据。首先，本课题中将希尔伯特-黄变换分析技术、小波变换分析技术和神经网络方法综合运用于麻醉状态呼吸音的模式识别，因此先综合介绍了有关希尔伯特-黄变换、小波和神经网络等基础知识。其次，针对潮气量的提取，本文提出一种基于希尔伯特-黄变换的麻醉状态呼吸音信号包络提取方法，该方法提取到的包络较为光滑且具有自适应性，将潮气量同信号包络相联系后得知二者呈正比关系。研究中选择肺部有病变和无病变两种不同的信号作为样本比对，在有效的提取了信号包络后，选用信号包络的能量和统计量作为神经网络的输入特征量，识别率达到93.3%，验证了方法的有效性。最后，为解决单一特征对麻醉状态呼吸音信号进行分析的局限性，采用小波包分析方法来提取麻醉状态呼吸音信号能量特征。本方法首先分析了小波包和麻醉状态呼吸音信号的特点，利用小波包变换将麻醉状态呼吸音信号的进气相和出气相进行了四层分解，选择最优基之后，建立小波包系数和麻醉状态呼吸音信号能量之间的等价关系。最后将各频带小波包系数能量作为特征，构造出归一化后的特征向量，研究中采用学习机制，在形成稳定有效的样本库同时，进一步提高了识别效果。之后采用BP神经网络对其进行分类识别，识别率为95%。实验结果表明，该方法对于麻醉状态呼吸音信号的特征提取和分类识别是有效的，不同种类的麻醉状态呼吸音信号能量投射的频带有很大的不同。