可穿戴式的远程健康监测系统在预防心血管疾病方面提供了重要保障,它可以长时间实时的监测心电信号而不影响人们的日常生活,而心电信号是用来诊断心脏疾病的重要依据。长时间监测产生的大量心电信号数据给存储和传输过程造成巨大负担。为了减少传输过程中的能耗,压缩感知（Compressed Sensing,CS）作为一种新兴的技术,很好地解决了这一问题。然而,对于可穿戴式远程健康监测系统而言,心电信号的CS方案在特征波检测以及心律失常自动分类方面还存在一些问题,因此对其做进一步的研究具有非常重要的意义。针对传统心电信号的CS方案在进行QRS复合波检测之前,需要先对压缩测量值进行重构恢复出原始的心电信号而导致实时性较差的缺点,本文提出一种直接在压缩感知域下进行特征波检测的方法,即通过构造特定QRS复合波模板,估计QRS复合波模板和心电信号压缩测量值的互相关系数,就可以利用接收到的压缩测量值直接检测出QRS复合波。实验结果表明,在压缩率CR=60%时,提出的方法的特征波检测精度可达95%以上,同时检测所花费的时间是重构再检测方法的一半,降低了时间延迟,进一步提高了可穿戴式远程健康监测系统的实时性。在检测到QRS复合波之后,为了进行心律失常自动分类的研究,对该复合波进行特征提取,利用四种特征描述符来表征QRS复合波,即小波系数特征、高阶统计量（HOS）特征、RR间隔特征以及本文提出的基于欧式距离的形态学特征。之后将每个特征向量单独输入支持向量机（SVM）中进行训练,并利用三种结合规则将多个SVM模型进行集成得到最终的心律失常分类器。根据AAMI的规定,本文将MIT-BIH数据库中的心电信号分为四大类即N、SVEB、VEB及F,同时在此数据库上进行特征评估实验和分类实验。特征评估实验显示RR间隔特征能更好表征不同心律失常类型的心电信号,利用该特征训练得到的分类模型的分类性能更好。相对于串联所有特征进行训练得到的单个SVM分类模型而言,按照结合规则组合多个SVM的集成分类模型,其分类的总体准确度相对较高,分类性能更佳。