当今社会,人类的平均寿命随着科技和医学的发展逐渐增加。伴随着年纪的增长,很多人饱受心血管疾病带来的痛苦,且心血管疾病越来越年轻化,严重威胁到了人们的正常生活。心电图是诊断人类心脏健康的重要指标,为了防止或预防心脏疾病的发生,对心电图的实时检测和有效识别越来越重要,且使用计算机实现心电信号的自动诊断能够有效减少医生的工作量并提高工作效率。针对此问题,本文对心电信号的分析、心律失常分类进行了深入研究,主要研究内容包括:(1)针对心电信号特征提取的问题,提出了一种改进的自适应特征提取方法——总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)方法。该方法首先对心电信号加入不同的高斯型白噪声,然后进行局部均值分解(Local Mean Decomposition,LMD)得到若干的乘积函数(Product Function,PF)分量,求取多次分解后的PF分量均值。多次加入噪声及分量平均的过程可以克服基本局部均值分解方法存在的模态混叠问题。选取较优的前4个PF分量计算样本熵、平均功率、奇异值和标准差,得到的特征向量矩阵能够有效表征心电信号中的心律失常信息。(2)针对特征提取后的心律失常分类问题,选择支持向量机建立分类模型。并且,使用遗传算法对支持向量机的两个参数:惩罚因子C和核函数参数?的选取进行寻优。将ELMD方法分解得到的特征向量矩阵送入支持向量机进行分类,从MIT-BIH心律失常数据库的分类结果来看,使用支持向量机作为分类器得到很好的分类效果。其中,改进的ELMD方法的总体分类准确率达到了99.61%,不仅高于LMD方法98.28%的准确率,而且高于一般的方法。(3)深度学习方法能够自动提取信号特征并进行分类,因此本文提出了一种结合格拉姆角场法和改进的卷积神经网络的心律失常分类方法。首先采用格拉姆角场方法将一维心电信号转换成二维图像,该方法在转换心电数据的过程中既不会丢失信号信息,同时也保留了原始信号的时间依赖性。之后基于迁移学习的思想,设计了迁移卷积神经网络(Transfer Convolution Neural Network,TCNN)对心电图像进行自动分类。该网络结构的前13层是从经典的VGG16卷积神经网络结构中迁移过来的,之后添加了一个卷积层、一个全连接层和softmax层组成整个网络结构。不平衡的心律失常数据经过数据平衡处理后,使用TCNN网络进行正常心电信号和四类心律失常心电信号类型的分类,最后达到了99.8%的总准确率,高于一般的深度学习分类方法。