每年世界各地数百万人死于心源性猝死,而超过80%的心源性猝死由恶性室性心律失常引起。临床上恶性室性心律失常主要指室性心动过速和心室颤动,恶性室性心律失常发生时由于心脏没有正常有效的搏动,心脏泵血功能显著下降,如不及时治疗或治疗不当,患者会在短时间内迅速死亡,尤其是医院外死亡率颇高,因此预测恶性心律失常的发生具有十分重要的意义。心电图监测简便,成本低廉,加之近年来可穿戴设备的兴起,为随身快速监测和分析心电信号提供了契机,鉴于此,本文利用心电信号对恶性室性心律失常的短期预测展开研究,通过时频分析和非线性方法捕捉和度量心电信号蕴含的时变信息。本文提出两种预测算法,一是利用信息熵度量心电信号在多个分数阶傅里叶变换阶次下幅度的复杂度,以此建立特征向量进行分类预测,并讨论了分数阶傅里叶变换阶次个数和信息熵分区个数等参数优选问题。二是利用符号动力学方法,将通过动态时间规整算法计算得到的逐个心拍间的差异转换为编码序列,采用信息熵度量序列变化情况,以此作为心电信号非线性特征进行分类预测,并讨论了编码过程参数优选问题。之后本文利用Physionet数据库对所提两种算法进行验证并寻找预测所需最优观测窗长、观测时刻。实验证明这两种算法所提取的心电特征在恶性室性心律失常发生前3小时内均无差异。在此基础上本文联合这两种算法提取的心电特征作为新的特征进行恶性室性心律失常预测,并比较了在三种分类器下的预测效果,使用随机森林算法利用Physionet数据库验证得到正确率、特异性、敏感性分别为98.93%、98.56%和99.38%。证明本文算法能有效预测3小时内患者有无发生恶性室性心律失常的风险。本文研究成果可用于重症监护不良事件预测、急诊室快速分诊、基于可穿戴设备的个人健康管理等,有助于优化医疗资源配置,减少心源性猝死等不良事件的发生。