心血管疾病极大威胁人类健康,是如今社会关注度最高的疾病之一。心电信号(Electrocardiogram,ECG)作为一种能够有效反映心脏活动的信号,是心血管疾病诊断与治疗的重要参考。如何去除心电信号的强噪声干扰、检测特征波形以及识别心律失常是近年来研究的热点。为了给心电信号的处理及分析提供帮助,本文旨在研究出一种基于强噪声背景下的滤波算法,提出一种改进的QRS波检测算法并建立起一个更为有效的心律失常分类模型,具体做了如下研究工作:首先,进行了强噪声背景下心电滤波算法的研究工作。根据各种噪声的特点建立了合适的含噪信号模型,接着提出了一种自适应集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法,优化了关键参数的确定准则。参考小波阈值去噪的思想,提出改进阈值函数与新阈值消除高频噪声,采用软阈值函数与固定阈值消除低频噪声。经验证,该算法能够有效提高信噪比,降低均方根误差,保持波形特征;对比分析表明,本文算法去除强噪声的能力更强。然后,进行了QRS波群检测算法的研究工作。针对波形的特点,将研究分为R波检测及Q、S波检测两个方向,突出R波检测的重点。提出以变分模态分解(Variational Mode Decomposition,VMD)为基础的R波检测算法,改进了预设尺度的确定准则,结合包络峰值提取完成了R波的定位,经验证,该算法的总体识别率达99.71%。针对Q波和S波的特点,在R波准确定位的基础上采用窗口搜索极小值的算法检测Q波及S波,该方法原理简单,运算量小。最后,开展了N、V、A、L和R五种心律失常的分类工作。以波形为特征,针对MIT-BIH数据库中的心电样本特点,截取心拍组成数据集,设计了一维卷积神经网络(Convolutional Neural Network,CNN)分类模型。实验选取了27500个心拍数据,采用十折交叉验证的方法,在Matlab上完成了训练与测试。结果表明,模型的总体识别率达98.5%,优于对照组的四种算法;然后分析各项指标发现了算法对于A类心拍识别效果欠佳的局限性;最后讨论了实验中两项重要参数的设置原则,为模型设计的科学性提供支撑。