室性早搏(Premature Ventricular Contraction,PVC)是最常见的心律失常疾病之一。临床诊断PVC的一个重要依据就是其在心电图(Electrocardiogram,ECG)上的异常表现,主要包括QRS波群宽大畸形、P波消失、T波方向与QRS波群主波方向相反以及存在代偿间歇等。然而,由于PVC发作具有偶发性等特点,往往需要进行长时程的心电监测,这样所带来的海量心电数据,使得传统的依赖专业医生的视觉判读,就成为一个非常耗时且主观性较强的过程。因此,越来越多的研究者开始聚焦于PVC自动识别的研究。在这一背景下,本文提出了一种新的基于融合心电特征的PVC自动识别方法。首先,本文针对心电图中的QRS波群,设计了一种新的峰值点(即Q峰、R峰、S峰)自动检测方法;其次,根据所检测到的峰值点,分别从不同角度刻画PVC发作的异常心电表现,提出了9种不同的PVC-ECG特征提取方法,进一步通过特征选择以完成PVC-ECG的融合特征构建;最后结合BP神经网络,提出了一种基于融合心电特征的PVC自动识别方法,用来完成PVC-ECG与正常ECG两种模式的自动识别。本文采用生理信号挑战赛(CPSC2018)数据库中的部分心电数据记录,通过数值实验验证本文所提方法的可行性与有效性。数值实验结果表明,本文所提方法在PVC自动识别中的准确率、误检率和漏检率分别达到97.46%,1.37%和3.41%。