随着社会的发展,快节奏的生活方式已经成为困扰许多人的问题,伴随而来的巨大压力总是使人们身体处于亚健康的状况,其中心脏猝死问题更是极其严峻。据相关调查显示,世界上每年因心脏问题而猝死的人口大约占全部死亡人口数量的五分之一,这个触目惊心的数字令我们意识到关于心脏问题研究的重要性及必要性。因此本论文开展了基于心电信号的心律失常分类算法的研究工作,从手工特征和深度学习算法的角度分别进行探讨。论文的主要工作有以下几个方面:1、给出了一种基于小波变换的心律失常分类算法。通过Haar小波的三级分解,提取低频近似系数作为特征表示,然后以SVM作为分类器,并对分类结果进行比较和性能评估。2、从ECG的形态特征角度来对心电信号进行描述,探讨了一种融合多种不同手工特征的心律失常分类方法,最后使用SVM分类器进行类别判定和预测,并对比不同特征组合的评价指标。3、探讨了一种基于深度神经网络的心律失常分类算法,能够将心电特征提取和心拍分类融合成一体。将CNN和LSTM两种不同的网络结合成一个混合型网络,然后根据心拍分割结果显示的类别样本数量的严重失衡现象,进行基于SMOTE的数据增强,并将修正后的数据用于该网络模型中,实验结果表明,深度网络的分类性能相较于手工特征的结果更加令人满意。