心律失常分类是帮助诊断心脏病的关键且有意义的任务。目前心律异常在intra-patient的数据划分标准下已经取得了巨大成就。然而,当我们从interpatient的角度考虑时,心律失常分类仍然是一个棘手的问题。以前的大部分研究仅关注intra-patient这种情况,且没有遵循美国医疗器械促进协会(AAMI)的标准。已有的大多数心律异常分类的研究方法也都是针对intra-patient,且已取得比较好的研究成果,但在intra-patient的这种研究中,同一个病人的数据在大多数时候是既出现在训练集又出现在测试集上,相比inter-patient训练集中的病人数据不能出现在测试集的这种数据划分方式,inter-patient更具有现实意义,目前inter-patient的研究大多采用传统提特征的方法且还有很大的提升空间。由于一般的医院的心电信号采集设备可以同时采集到多个导联的心电信号,且常用的MIT-BIH数据库由两导联的ECG信号构成,本文主要基于二导联ECG信号进行研究。由于二导联的ECG信号既具有空间上的相关性又是时间序列,本文主要针对二导联ECG信号的特点设计了心律异常分类系统。为了与已有的高水平论文进行对比,本文的研究遵循AAMI标准进行分类。针对目前intra-patient存在的问题,本文提出了一种新颖的基于多导联心电图(ECG)信号的心律失常分类系统方法。该系统设计的核心是将两种深度学习特征与一些常见的传统特征融合,并通过二值粒子群优化算法BPSO对特征进行选择,选出显著的区分性特征。然后,通过具有类权重的SVM对特征向量进行分类。为了保证模型更好的泛化性和进行公平的比较,本文在使用inter-patient方案进行实验的同时遵循了AAMI标准。实验结果表明,无论是宏观指标还是微观指标,本文的系统性能都优于当前流行方法的性能。