随着科学技术的发展和人们对健康领域的关注,可穿戴式生理监测设备得到蓬勃发展。可穿戴式生理监测设备对某些常见、易发、慢性类疾病的监测效果很好,不仅佩戴舒适同时易于监测各项生理参数,在远端医疗和互联网的大背景下,更容易实现人性化的家庭医疗和疾病预防。在常见的慢性疾病中,心脏类疾病一直是困扰着人们的难题,心脏类疾病的识别和诊断亟待解决。因此,提出更适合可穿戴式心电监测模块的心律失常识别与分类方法是非常有意义的。本文使用成熟的方法实现心电信号去干扰和波形检测,然后提取心电信号的多域特征,包括形态特征、小波域特征、循环谱特征和高阶累计量特征。形态特征和小波域特征已被广大学者应用于心律失常分类中并取得了不错的效果。本文主要是验证循环谱特征在心律失常分类任务中的有效性,并选取支持向量机和超限学习机这两种分类器,结合提取的形态特征、小波域特征和循环谱特征进行实验。实验结果表明,循环谱特征方法获得了较好的分类效果,提取了除形态特征和小波域特征以外的隐藏特征,进一步证明了循环谱特征适合于心律失常分类任务。在传统心律失常分类研究中,多数研究选择单一特征或者将特征进行简单的线性融合,此类方法不足以区分多种类型的心律失常分类。因此,提取心电信号的局部信息进行心律失常多分类研究是非常有必要的。通常来说,分类精度取决于样本分布和其在特征子空间的固有属性。鉴于以上两点,提出了采用最优特征子空间进行心律失常多分类的方法。除此之外,使用改进级联支持向量机分类器完成心律失常多分类任务。实验结果表明,最优特征子空间方法有较好的分类性能,完成了多分类任务。