动态心电（Electrocardiogram,ECG）连续监测是实现心血管疾病早期检测的有效手段,心率（Heart Rate,HR）是心电信号中反映人体心脏搏动状况的重要生理指标,更是心血管疾病评估和诊断的重要基础。然而,动态心电信号中存在大量噪声,心率标注算法易受到信号噪声、个体差异等因素的影响,这使得动态心率估计的可靠性大大降低,造成心率的错误估计,从而影响病人的治疗时机或引起监护人员的警报疲劳。本文借助于心电信号处理技术与大数据信息挖掘技术,建立了心率标签融合模型,希望可以实现动态心电中心率的稳健和准确估计,以减轻家庭和医护人员的负担。本文从无监督集成学习出发,建立基于标注器水平的标签融合过程,进行了心率标注工作研究。主要研究内容如下:（1）基于无监督式的心率标签值集成学习模型研究。使用概率密度函数对心率标注过程进行建模,分别建立了潜在真值模型与多标注器模型,并联合构成心率标签融合模型,加入贝叶斯先验概率并使用最大后验估计和期望最大化算法求解模型,来实现更可靠、更准确的心率真值估计。该模型的两个主要贡献在于:提供了一个基于时间序列的连续值标签的无监督式估计方法;提出了一个融合多个标签去推断潜在真值的统一框架,同时对标注器的偏差和精度进行了建模。通过2014年Physio Net Computing in Cardiology（Cin C）挑战赛扩展训练集中的心电信号对模型进行了验证,本模型相对最佳心率标注器的精度改善可以达到29.582%。（2）基于单导联心电与多导联心电应用场景的融合模型研究。分别构成单导联多标注算法心率估计模型（Single-Lead and Multi-Annotator Heart Rate Estimation Model,SLMA）与多导联单标注算法心率估计模型（Multi-Lead and Single-Annotator Heart Rate Estimation Model,MLSA）,仅选择某一种算法或者某一导联不能得到稳定的、高可靠性和高精度的心率估计值,因此通过多算法或多导联融合模型可以在真值心率未知的情况下得到可信度更高的心率估计结果。本文使用动态心电数据集The China Physiological Signal Challenge（CPSC）2018对模型进行验证,SLMA模型在Ⅰ导联心电数据集相比最佳标注器提升了19.623%,MLSA模型在标准12导联数据集相比精度最高导联提升了11.932%,实现了融合多算法或多导联信息来改善动态心率估计精度的效果。（3）基于心率估计的自动标注融合系统研究。从用户使用角度出发,建立了一个可应用于心电监护仪器的心率自动标注系统,可实现心电数据集的多导联、多算法心率自动标注,该系统针对所提供数据的不同类型（单导联数据库或多导联数据库）,发展合适的心率标注融合过程,并使用了穿戴式心电数据进行了系统功能测试。