本文综合利用两种特征提取方法提取了基于波形形态和基于波形特征点的10维的特征矢量，分析了基于MACS-BP算法的神经网络分类器和基于统计模式识别的线性判别式分类器的分类性能，结果表明采用本文所提的特征矢量送入线性判别式分类器在分类的稳定性、分类速度以及分类精度三者之间有更好的均衡性。 首先，利用Harr小波对经过去均值处理的心电信号做1-32尺度上的连续小波变换，根据小波变换的模极大与波形奇异点之间的关系对ECG信号的QRS复合波群进行定位，并采用一些辅助策略来提高R波的检测率与定位的准确度。 在特征提取环节，结合ECG信号的特点，采用小波变换法和特征参数估计法两种特征提取技术提取的特征合理组合成本文的一个低维特征矢量。试验结果表明，其在分类精度上有较好的效果。 对于ECG分类的关键环节一分类器的设计，首先研究了具有广泛映射能力的神经网络及具有全局收敛的蚁群算法，结合其优缺点，用改进的蚁群算法来训练BP神经网络，对四类(正常心搏、左支阻、右支阻及房性早搏)心搏进行分类，结果表明，基于MACS-BP算法的神经网络可以有效避免局部极小的问题，在平均分类精度上也有不错的表现，但基于其网络结构参数初始值的随机性，导致其分类结果的不稳定，使其目前离实用还有一定的距离。为此，研究了基于统计的线性判别式分类器，用同样的学习集对其模型参数进行训练，结果采用本文提取的特征矢量用线性判别式分类器进行分类，在分类的稳定性、快速性及分类精度上都有比较好的效果，具有一定的实际意义。 利用本论文的算法对MIT-BIH心律失常数据库的四类心搏进行分类，不仅有比较高的分类准确度(可达97.83％)，而且计算复杂度低，加之小波的多分辨分析的应用，受噪声的影响也大大降低，对提高ECG的自动分析的性能，具有一定的实际意义。