随着我国人民生活水平的提高,人们愈加重视自身健康问题。心脏疾病作为危害人类身体健康的主要疾病,具有较高的患病率和死亡率。心磁和心电信号作为心脏电生理活动在体表的表现形式,是研究人类心脏机理内在生理状况的重要信号,为心脏疾病的诊断提供重要的参考价值。围绕心脏电生理信号外在表现形式:心电、心磁的研究与分析一直是国内外研究的热点。本文以心电、心磁信号为研究对象,针对信号的降噪、优化拟合、心拍识别问题进行了研究,主要包括以下内容:（1）针对实测心磁信号存在高频噪声干扰问题,提出一种改进的互补集合经验模态分解（CEEMD）重构降噪法。研究了CEEMD原理,并针对传统CEEMD中辅助噪声的参数无法自适应获取,提出以正交性指标为准则,利用模拟退火优化算法确定最优的辅助噪声标准差值;计算原信号与固有模态函数相似度,判断噪声和信号主导模态分界点,并结合能量谱判断分界点选取准确性,最后保留噪声模态中QRS波分量,对所有模态重构实现降噪。仿真结果表明:该方法能更有效的抑制高频噪声,效果优于小波阈值和传统CEEMD重构降噪法。（2）针对实测离散数据量对连续心磁、心电波形特征和趋势描述不够精确的问题,提出了基于改进蚁群算法的分段函数模型来拟合数据。首先根据实测心电、心磁数据的形态特征,建立了分段函数数学模型。基于蚁群算法研究模型参数辨识方法,并针对传统蚁群算法易陷入局部最优解的问题,对算法的解空间和信息素浓度改进,提出了改进蚁群算法并对所提拟合方法进行了噪声仿真实验。实验结果表明:基于改进蚁群算法的分段函数模型能准确描述信号的特征和趋势,并且改进的蚁群算法相对于传统蚁群算法具有更高的参数辨识精度和更快的收敛速度。（3）针对不同病人心拍的识别问题,建立患者特异性模型,并使用基于模拟退火优化的支持向量机提高识别准确率。首先,提取心拍的边际谱参数为特征量。然后为缓解个体差异性导致识别算法泛化能力的恶化,将新病人的一小部分数据标记出来,作为个体训练集对支持向量机进行微调,建立患者特异性模型。最后分别使用遗传、蚁群与模拟退火优化算法寻找支持向量机的最优参数,提高支持向量机识别的准确率。实验结果表明:通过模拟退火算法优化的支持向量机具有更高的心拍识别准确率。