胎儿心电信号可以反映胎儿在妊娠期的生长发育和健康状况,有助于早期诊断胎儿各类疾病。由非侵入式方法采集的信号分为有母体参考信号的组合源信号和无母体参考信号的腹部源信号,其中包含的胎儿心电信号均具有幅度低、信噪比低、受母体心电信号干扰较大的特点,阻碍了胎儿心电信号应用于临床医学诊断的进程。因此,本文重点研究了组合源和腹部源胎儿心电信号提取方法。同时,因胎儿心电信号能够提供较多的胎儿心律失常相关信息,对胎儿心律失常诊断具有较大的研究价值,在提取获得清晰的胎儿心电信号的基础上,本文进一步展开了对胎儿心律失常分类的研究。本论文提出了结合超限学习机（extreme learning machine,ELM）和自适应梳状滤波（adaptive comb filtering,ACF）的组合源胎儿心电信号提取方法。利用学习速率快、参数少的ELM拟合腹壁混合信号中的母体心电成分并将其抑制,再结合对准周期成分具有较好增强能力的ACF对信号进行增强,得到清晰的胎儿心电信号。在DaISy数据库和ARYFECGDB数据库上进行实验,实验结果表明该组合源方法具有计算量相对较低和检测准确度高的优点。本论文提出了基于FastICA-RRELM-ACF的腹部源胎儿心电信号提取方法。与组合源信号不同,腹部源信号无母体参考信号,利用FastICA对腹壁混合信号进行分解得到胎儿心电信号估计,并构建鲁棒正则化超限学习机（robust regularized extreme learning machine,RRELM）模型用于抑制母体心电成分后,结合ACF增强得到清晰的胎儿心电信号。采用PhysioNet2013挑战赛数据库中的真实数据进行实验,实验结果表明该腹部源方法具有优良的抑制母体心电成分和噪声的性能。在提取出清晰胎儿心电信号的基础上,本论文提出了基于CNN-BiLSTM的胎儿心律失常分类方法。针对NIFEADB数据库提供的组合源信号,首先对经预处理后的数据采用本文提出的结合ELM和ACF的组合源方法提取得到清晰的胎儿心电信号,然后构建对一维时序心电信号具有较强特征提取能力的CNN-BiLSTM深度网络模型,对胎儿心律失常与胎儿心律正常的信号进行分类,其平均分类准确率、敏感度、特异性和F1分数分别达到了94.33%、96.00%、92.67%和94.98%。