心电信号的正常/异常监测在心脏病的临床诊断中起着至关重要的作用。近年来随着人工智能和可穿戴技术的兴起,可穿戴智能心电监测设备受到了越来越多的关注,此类设备的关键是要在实现高准确率的同时,还要保证较低的处理功耗。心电信号的正常/异常监测主要包括心拍检测和心拍分类两个部分,其中心拍检测是从连续的心电信号中检测并提取出有效的单个心拍,对后续实现高准确率的心拍分类起着至关重要的作用。但是,由于受到设备用户在日常活动中所产生噪声的影响,大量受噪声影响较大的心拍直接送入分类器,导致准确率降低。同时,由于人工智能等高复杂度分类算法的引入,即便对受噪声影响较小的心拍进行分类,也会需要较高的处理功耗。针对以上问题,本文提出了面向智能心电监测系统的自适应可重构心拍检测硬件,该设计结合算法和硬件设计,包含噪声心电信号筛选技术、R峰检测技术、自适应心拍分割技术、可配置滤波器硬件设计和可重构心拍处理硬件设计等,既减轻了噪声对后续分类器准确率的影响,又降低了系统的处理功耗。本工作主要包括以下几个创新点:在算法层面,为了降低系统的处理功耗,本文提出了自适应心拍分割技术,根据心电信号的RR间隔特征自适应调整心拍分割窗口的有效长度,从而减少了后继神经网络分类器的冗余计算。在硬件层面,（1）本文提出了基于自适应乘法器的可配置滤波器硬件设计,以支持不同阶数的降噪滤波器,以及结合自适应心拍分割硬件设计降低系统的处理功耗。（2）本文还提出了可重构心拍处理硬件设计,通过复用神经网络分类器的硬件资源进行噪声心电信号筛选,降低了系统的硬件开销。最后,基于以上创新点设计并实现了基于FPGA的自适应可重构心拍检测硬件,对其进行了测试与分析,既减轻了噪声对后续分类器准确率的影响,还减少了分类器29%的冗余计算,整个心拍检测处理的动态功耗为610 u W,处理延时为161.11 ms,满足低功耗和实时性的需求。并对全文进行了总结,分析现有工作存在的不足,提出对未来工作的展望和对技术的改进。