正压通气是目前治疗阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea,OSA）最有效的手段,而目前国内自主研发的治疗机存在无法准确提前预警呼吸异常的状况,这对患者的睡眠呼吸监测治疗效果产生了极大影响。本文为提高治疗机实时准确预警性能,以人体连续正压通气呼吸为研究对象,采用压力、流量集成传感器检测呼吸波形,结合信号处理技术,针对预警的实时性和准确性,分别对呼吸波形动态实时预测和呼吸事件检测方法进行研究。为提高治疗机预警实时性,本文对呼吸波形进行了动态实时预测。首先对比了六种预测方法,结果显示预测误差都较小,其中卡尔曼滤波算法预测计算时间有明显优势。本文为了在实现较快预测的同时提高预测精度,结合小波变换多分辨率技术和卡尔曼滤波,提出新的预测模型。利用倍频滤波器组对呼吸波形进行小波同时分解,计算各分量状态方程与量测方程,分别建立滤波模型,再将滤波后的信号进行重构得出预测呼吸波形。实验结果表明,本文优化后的预测模型与传统卡尔曼滤波相比,预测误差显著降低,可以实现呼吸波形的快速准确预测。为提高预警准确性,本文在呼吸波形预测基础上对正常呼吸、呼吸暂停、低通气、咳嗽和吞咽五种呼吸事件进行检测。首先分别从时域和频域上提取特征,然后采用五种分类方法对呼吸事件进行检测,其中K近邻分类算法分类准确率较高且时间复杂最低。在此基础上,本文结合球树空间搜索和核方法,构建出新的分类模型以提高分类效率和准确率。结果显示,优化后的模型分类总正确率高达96.2%,训练时间提高0.08s,测试时间提高0.02s。实验结果表明,本文提出的分类模型对呼吸事件的识别率和识别效率都更佳,可实现呼吸事件的快速准确检测。本文先提出基于卡尔曼滤波的优化模型用于实现呼吸波行动态实时预测,在预测波形的基础上提出基于K近邻的快速准确分类模型用于呼吸事件检测,实验结果表明研究工作可实现呼吸事件的实时检测,对提高正压通气治疗机实时准确预警性能及进一步的压力反馈控制有重要参考价值。