Las señales del pulso radial se producen por la eyección periódica de sangre del corazón, y se puede analizar la información fisiológica y patológica del cuerpo humano extrayendo las características en el dominio del tiempo de las ondas de pulso. Sin embargo, dado que las señales de pulso son señales fisiológicas débiles en la superficie del cuerpo y complejas, la adquisición de características del pulso utilizando el método de curvatura tradicional producirá un gran error, lo que no puede satisfacer las necesidades del análisis de ondas de pulso en la práctica clínica actual. Para resolver este problema, se propone un algoritmo de reconocimiento de características de señales de pulso multi-morfológicas basado en el modelo de red neuronal convolucional profunda unidimensional (1D-DCNN). Utilizamos el instrumento de diagnóstico de pulso multicanal desarrollado de forma independiente por el equipo para recopilar señales de pulso radial bajo presión continua de los sujetos de prueba y recopilamos 115 sujetos, extrayendo un total de 1300 señales de pulso de un solo ciclo y luego dividimos estas señales de pulso en 6 formas diferentes. Se etiquetaron cinco tipos de puntos de características en el dominio del tiempo de la señal de pulso, y se etiquetaron cinco conjuntos de datos de puntos de características independientes, formando cinco modelos de red neuronal personalizados que se generaron para entrenar e identificar los conjuntos de datos de puntos de características del pulso de forma independiente. Los resultados muestran que el coeficiente de corrección (Radjusted2) del algoritmo de procesamiento de señales de pulso multiclasificado propuesto en este documento para cada tipo de reconocimiento de punto de características alcanza más de 0.92. El rendimiento es significativamente mejor que el del método de curvatura tradicional, lo que demuestra la precisión y superioridad del método propuesto. Por lo tanto, el modelo de reconocimiento de parámetros característicos de señales de pulso multiclasificado basado en el modelo 1D-DCNN propuesto en este documento puede identificar de manera eficiente y precisa los parámetros característicos en el dominio del tiempo del pulso, lo que puede aplicarse para discriminar la información del pulso en el dominio del tiempo en la práctica clínica y ayudar a los médicos en el diagnóstico.