心电信号在心脏的健康状况监测和疾病诊断领域发挥着重要作用。在心电信号处理领域,R峰检测的准确率非常关键,因为可以通过它直接监测心率并且它是许多心电分析方法的预处理步骤。本文主要研究了两种类型的心电信号R峰检测:（1）基于频谱注意力核独立成分分析和自校准胎儿R峰检测器的无创胎儿心电R峰检测方法;（2）基于多尺度主成分分析网络的心律失常心电R峰检测方法。胎儿R峰检测在妊娠期心脏缺陷的诊断中意义重大,因为它可以在无创监测下显示胎儿心率。然而,由于非侵入信号中多个信号源的非线性混合以及低信噪比,很难获得准确的胎儿R峰检测结果。本文提出了一种基于频谱注意力核独立成分分析模块和自校准胎儿R峰检测器模块的双重自校准框架,用于从腹部无创信号中检测胎儿心电R峰。频谱注意力核独立成分分析将低维信号映射到高维空间,通过核方法在高维信号成分上进行主成分分析,从结果的频谱中得到注意力加权图并作用于原高维成分以增强QRS波群部分。通过对加权后的信号使用独立成分分析算法以实现母体心电的有效分离和去除。自校准胎儿R峰检测器利用了信号峰值信息和自校准策略,将胎儿心电形态学和心律的变异性考虑在内,通过自适应概率窗来检测R峰位置。心律失常信号的R峰自动检测也是一个具有挑战性的任务。由于QRS波群和心率的变异性较强,R峰的精确自动定位对于减少医生工作量和提高诊断效率有着重要的意义。本文提出了基于多尺度主成分分析卷积的心电R峰检测网络,从常见信号处理方法中提取出基投影的概念并将QRS波群不同尺度的基向量当作神经网络的固定卷积参数,以更好的学习QRS波群的特征。通过融合多个具有不同尺度参数的并联网络的输出结果进行R峰概率的联合决策。在大型心电数据集上的试验结果表明,本文提出的胎儿R峰检测框架在R峰检测的准确率和得到的胎儿心电质量上均优于其他对比方法,能为医生提供精确的胎心率监测;本文提出的心律失常心电R峰监测网络在R峰检测准确率上优于经典的对比方法,可作为一个有效的心律失常辅助诊断方法。