心室纤颤(VF：Ventricular Fibrillation)是一种恶性心律，易引发心脏性猝死。猝死发生前可无任何先兆，据美国心脏协会（American Heart Association, AHA）统计，约有高达30%的死者没有发现已知或未知的心脏病。绝大部分心源性猝死发生在医院外，如果能提前发现并采取迅速的治疗可以提高这部分人的存活机会。因此对猝死和恶性室性心律失常的检测及预测是心律失常学研究的一个重要课题。本课题就是以VF检测技术为主要内容进行的研究。研究表明，心脏动力学是复杂、非线性的。因此，非线性动力学和非线性数学模型可以有效的分析心电信号。本文列举了几种经典的VF检测算法，并提出一种基于心电特征和支持向量机（Support Vector Machine, SVM）分类理论的非线性检测算法，该算法首先对待检测信号进行预处理，然后采用4s滑动窗技术提取每一窗长度下待检测信号的心电特征，并将其输入到二分类支持向量机中进行非线性分类，从而实现室颤信号的检测。论文采用BIH-MIT和CU数据库中的全部心电信号进行无选择的检测，并只对室颤和非室颤信号进行二分类，不对室颤及室速信号进行区分。论文中用来提取信号特征的算法为TCI算法、时间延迟算法和希尔伯特算法，并对各算法进行了改进。对于TCI算法，改进主要对窗长度和阈值的选取进行改进,采用绝对阈值和4s滑动窗技术，计算每一4s滑动窗内中间2s信号的TCI值作为心电特征参数，从而增加室颤信号与非室颤信号的特征差距。对于时间延迟算法，为提高算法的实时性，将原算法的滑动窗长由8s改为4s,对其算法的复杂度进行了简化。对于希尔伯特算法，本文首次引入到心电信号处理中，将其作为心电特征提取的新算法，文中对其进行了详细介绍。本文通过对以上三种算法的改进，实现更实时、有效心电特征提取。支持向量机（Support Vector Machine，SVM）理论是在统计学习理论的基础上发展的一种机器学习方法，常用在包括线性和非线性可分的二分类问题中，并且在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。本课题采用核函数支持向量机用于非线性分类，选取模型参数少、应用广泛的径向基函数（Radial Basis Function，RBF）作为核函数。并采用陆振波支持向量机软件包(SVM_luzhenbo&LS_SVMlab)进行matlab仿真，在仿真过程中采用试凑法（穷举法）获得惩罚因子C和RBF核函数的径向宽度σ。基于心电特征和支持向量机的室颤信号的非线性检测算法，成功实现了心室纤颤信号的检测，并通过计算各算法的灵敏度、精确度、预测性和准确度且与其他算法比较，可得我们的新算法总体优于其他算法，并且简单易行，具有更优越的的实时性。该算法进行优化后可以嵌入到心电监测仪器中实现应用。