心电信号是反映心脏工作状态的生物电信号。正确、及时的心电信号识别对疾病的预防和病情的控制十分重要。本文在研究当前国内外热点技术及总结前人工作的基础上探索了心电信号自动识别技术。心电信号自动识别技术主要包括四个方面的内容：心电信号的采集、预处理、特征提取及智能分类。本文在分析心电图采集的心电数据的特点及心电信号自身特性的基础上说明了心电信号预处理的必要性。文中提出将非广延领域的q高斯函数作为核函数引入支持向量机（Support Vector Machine, SVM）中构建q高斯核支持向量机对心拍进行分类，实验表明该方法对心拍的分类效果良好。当前的心电信号特征模式研究集中在心电信号的多导联采集，经特征点定位后单导联提取心电模式上，为了更好的利用现有资源并从多个维度全面的表达心脏状态，探索并提出了心电信号双导联的特征提取技术。本文特征抽取部分采用通过独立分量分析（Independent Component Analysis, ICA）技术。ICA的效果与确定的目标函数及选择的优化算法密切相关。文章在介绍ICA算法的基础上，详细介绍了基于负熵的FastICA算法，并将该算法用于双导联信号经预处理后使用时域特征提取和变换域特征提取的特征向量的处理中，获取心电信号特征模式。心电信号的智能分类是自动识别技术的关键。利用SVM对心电信号进行识别的技术已被广泛研究。SVM的分类性能与输入的特征模式及选择的核函数密切相关。目前常用的核函数有：线性核函数、多项式核函数和高斯核函数，其中高斯核函数被证明是最适合心电信号模式分类的核函数并在前人的研究工作中广为采用。q高斯函数是高斯函数在非广延统计学领域的一般化形式，基于q高斯函数与高斯函数的联系，将q高斯函数作为核转换函数引入到SVM中构成q高斯核支持向量机，用于心电信号智能分类。实验表明，q高斯核支持向量机对心电信号分类质量的改善明显。此外，对比实验表明采用心电信号双导联特征提取技术获得的心电信号特征模式比常用的单导联方式具有更好的识别效果。本文在对心电信号自动识别技术中的特征提取技术和智能分类算法进行探索的基础上，研究了基于ICA的心电信号双导联特征提取技术和q高斯核支持向量机算法，在MIT-BIH标准心律失常数据库中的心电数据集上进行实验，实验结果验证了这些方法的有效性。