心律失常危害严重,其中的室颤、房颤和心动过速更是有致命的危害。如何对心律失常做出快速,及时,准确的诊断是一个很有现实意义的问题。传统的心电信号分析多采用线性方法,有很大的局限性。本文从这个问题出发,以非线性动力系统理论为基础,使用高斯混合模型,支持向量机等统计模型研究了正常窦性心律(NSR)与房颤(AF)、室颤(VF)、心室过速(VT)四种心电信号的分类识别问题。研究内容主要包括以下几个方面:　　首先,在研究过程中,我们对相空间下庞加莱切面的使用有了更进一步的认识。庞加莱切面作为混沌判别的一种常用手段,有其独到之处,但是若是作为心电信号特征提取的一种手段,在使用的时候要比较慎重,特别是对高维相空间中的点。因为我们在选择了切面上的点的同时,就等于忽略了切面以外的大量信息,因此若用其作为心电信号的特征提取方法,需要采用方向标准化等一系列的手段。　　其次,本文提出了相空间下基于高斯混合模型的心电信号判别方案,作为一种统计模型,高斯混合模型给出的是数据点被分派到每个类别的概率,属于软决策分类。我们对从MIT-BIH心律失常数据库中获取的NSR,AF,VT,VF四种心电信号进行了分类识别,获得了较高的分类精度,实验证明,高斯混合模型能够很好的捕捉到相空间内不同信号的动力特征,方法具有一定的可行性和实用性。　　最后,我们改进了之前的基于多元统计的主成分方法,使得此方法的分类结果更加合理和稳定。之后,我们又分别使用了支持向量机(SVM)和神经网络对NSR,AF,VT,VF四种心电信号进行了判别分类实验,然后与高斯混合模型的分类结果进行了对比,并对心电信号的识别进行了探讨,实验表明,心电信号在进行特征提取之后,对于提取的同一特征,使用SVM和KNN的差别不大。