心肌梗死是一类严重的心血管类疾病,其发病有易突发、病情险、易造成死亡和易引发相关病症等特征,心梗的预诊、早诊对患者的预防、治疗和预后具有重要意义。目前常见的使用心电图自动诊断技术进行心肌梗死辅助诊断的研究中往往存在需要定位的特征点多、除QRS波群外特征点定位精度不高、特征提取严重依赖特征点定位准确度、特征提取易忽略信号微弱特征、分类诊断性能不佳、院外预诊、助诊系统缺乏等问题。本文重点专注基于机器学习的心肌梗死辅助诊断算法及其应用,力求简化基于ECG进行心梗辅助诊断过程中的心电信号处理及特征提取过程,并提高心梗助诊模型的分类效果。论文主要内容如下:（1）研究心电信号处理及特征点定位相关方法。在对心电信号干扰分析的基础上,采用滤波器组法滤除信号中的基线漂移、工频干扰及肌电噪声;针对传统心电信号特征点定位过程中特征定位点需求多、部分特征点定位精度欠佳的问题,设计基于自适应阈值法的心电信号特征点定位和特征片段选择方法,采用自适应阈值来定位ECG片段的S波谷并裁剪特征片段,简化了特征点定位的过程,为后续的特征提取打下基础。（2）研究基于多尺度分析的小波系数法提取心肌梗死心电信号的特征。在对心梗心电信号特征和小波变换多分辨率分析的基础上,本文提出了对特征片段进行多尺度分析,直接采用多分辨率下的小波变换系数作为特征向量的方法,采用db8小波对特征片段进行尺度为4的分析,并利用分解后的小波系数作为特征。该方法可以充分有效地保留和识别信号的微弱特征,且不用依赖信号众多特征点的定位准确性。实验分类结果表明,该方法提取的特征对心肌梗死心电信号特征具有很好的表征能力。（3）研究基于机器学习的心肌梗死辅助诊断模型。基于PTB数据库的ECG信号,以Bagging-Trees集成学习方法为主要方法,同时使用决策树、线性判别、逻辑回归、支持向量机和K近邻方法对心梗和心血管疾病进行辅助诊断分析。实验结果表明,对于心梗的辅助诊断,相比其他机器学习方法,Bagging-Trees集成学习方法具有更好的性能,模型分类效果更佳;对于心梗等心血管疾病的辅助诊断,Bagging-Trees集成学习方法同样表现良好。（4）设计并实现心肌梗死辅助诊断系统。基于机器学习的心肌梗死辅助诊断模型,本文设计了适用院外等非专业医疗条件环境下的前后端分离的辅助诊断系统,并使用混合编程实现了助诊服务器平台和用户终端,具有可展示的协同工作界面。系统的实验测试表明该系统具有一定的实用性,可满足一定条件下的心梗预诊及助诊需求。