脉诊为中医“望、闻、问、切”四诊之一,有着悠久的历史和传承。传统脉诊法采用触觉感知获取脉象信息,并依据临床经验判断患者所对应的中医症候。所以脉诊诊断结果带有很强的主观性,而客观量化标准的缺乏也束缚了脉诊在现代医学体系中的进一步发展。所以,采用机器学习方法研究脉象信号,将脉诊诊断过程由主观变为客观,是继承和发展脉象诊断学的有力工具。脉象图谱,即根据脉象信号的形状、节律、压力的不同而定义的脉象种类(下文简称脉图),是脉诊中对不同脉象的定义标准。本文对脉象特征提取和脉图聚类的方法进行研究,致力于将中医脉象诊断理论和机器学习相结合,利用前沿的机器学习方法提取脉象特征,并通过聚类方法挖掘脉图的种类。目前的脉图分析方法存在四个缺点,分别是单一脉图特征表达能力弱,多阶段流程优化困难,缺乏对多周期脉图的特征提取方法以及脉图定义不明确。本文主要针对脉图分析方法的这四个缺点进行改进。在脉象信号预处理方面,利用最大曲率分割方法使周期分割误差更小,利用小波重构的方法消除了单周期脉图中尾波波动的影响。同时,在单周期脉图特征提取中利用周期分解模型将脉象信号分解为周期特征空间和非周期特征空间。在单周期特征实验对比中,周期分解后的融合特征比一维特征组合的分类准确率提升了2.7%。在多周期的脉图特征提取方面,构建了输入为一维信号的14层卷积神经网络模型并进行了多层特征融合。卷积神经网络端到端学习的特点避免了多阶段流程优化带来的误差传递问题,多层特征融合提升了特征的表达能力。实验结果表明多层特征融合后的卷积神经网络的分类准确率比未融合多层特征的分类准确率提升了1.3%,比主流的VGG模型的分类准确率提升了4.7%,比单周期的周期分解模型特征的分类准确率提升了5.8%。在脉图聚类与疾病分析方面,利用脉图特征构建了基于互信息值的聚类集成方法对脉图进行聚类,并基于脉图做了初步的心血管疾病分析。结果表明聚类脉图与部分中医脉图相符合。此外,通过分析不同脉图中的心血管疾病分布,结果表明心脏病、高血压与弦脉密切相关,血脂异常也可以用涩脉有效诊断。