中医的脉诊理论认为汇集于桡动脉处的脉象反映了人体脏腑器官大量的生理病理信息,医生可通过手指触按病人的动脉搏动了解病情。超声医学诊断则利用多普勒超声检测仪器检测出人体血流和组织运动状况,现已成为临床辅助诊断中的重要组成部分。但对多普勒信号的研究大多专注于心血管疾病领域,没有考虑脏腑器官的疾病。本论文用多普勒仪器代替人手的触按采集桡动脉多普勒超声血流信号,试图通过对桡动脉多普勒超声血流信号提取特征,分析它在人体发生某种病变状态下的反应,以求最终实现脏腑器官疾病的计算机辅助诊断。在数据采集阶段,由于超声血流信号以声谱图的形式存储的,故而应当先设计算法提取谱图中的最大速度曲线和平均速度曲线。这两种曲线反映了血液流动的状况,人体的脏腑病变对血流流动产生的影响可通过这两种曲线的变化表现出来。在信号预处理阶段,针对多普勒血流信号比较微弱、信噪比较小的特点,本文提出了小波包阈值消噪算法,应用这种算法对前面所提取的最大速度曲线进行降噪,不仅最大地去掉了噪声,而且较好地保留了高频部分的细节特征。在特征提取阶段,本文提出了两种提取方法——基于Hilbert-Huang变换的特征提取和基于局域波近似熵法的特征提取。生物医学信号都是非平稳信号,Hilbert-Huang变换是一种新的处理非平稳信号的时频分析方法,通过对降噪后最大速度曲线进行Hilbert-Huang变换可以得到血流信号比较精确的时频分布情况,进而提取具有区分度的4个特征参数构建了特征向量。局域波近似熵法则分析了血流信号和其局域波分解后各分量的近似熵分布情况,并将原始信号和各分量的近似熵值作为特征向量。在疾病分类阶段,本文使用几种常用的模式分类算法利用前面两种特征提取办法在样本数据集上进行分类实验,在基于Hilbert-Huang变换的实验中,支持向量机可以比较有效地将健康人与疾病患者区分开,分类正确率已达到90%以上。在基于局域波近似熵的实验中,实验结果表明这种特征提取方法在疾病患者和健康人之间也有较好的区分度。最后本文分析了一种SVM和KNN相结合的分类器,并使用它作了不同疾病患者之间的分类实验。实验结果不仅验证了该分类器的分类结果要好于单纯的SVM的分类结果,而且还表明基于局域波近似熵的特征提取方法有效地把疾病自身的病理信息提取出来。