随着社会生活压力增加与社会人口老龄化加剧,我国心血管疾病患病人数逐年增加,且致死率居高不下。心血管疾病已经成为影响我国人民健康的高发型疾病,不但使患者承受巨大的身心痛苦,也给我国社会带来沉重的经济负担。心电图ECG（Electrocardiogram）作为心脏电活动的反映,可以无创且实时地记录和体现心脏的功能与状态,是心血管疾病诊断的主要依据,在临床中具有重要的地位与作用。然而,心电信号本身是一种极其微弱的电生理信号,在采集的过程中极易受到各种外界噪音和干扰的影响。为了保障心电信号采集的质量,实现更加准确的观察与疾病诊断,需要对其进行降噪处理和特征提取。在此背景之下,本文按照“理论分析→信号降噪→波形检测”的研究思路,从心电信号本质特征入手,立足于心血管疾病实际诊疗需求,针对传统降噪方法丢失心电信号细节信息以及特征提取方法过度依赖人工特征选取等问题,研究了基于稀疏信号处理的心电信号降噪技术和基于机器学习的心电信号特征提取技术。本文主要的创新体现在如下四个方面:（1）针对心电信号噪音干扰问题,利用心电信号本身具有的稀疏性,将信号建模为低通分量、稀疏分量与噪音分量之和,提出了一种联合低通滤波与稀疏恢复技术的心电信号降噪模型。通过真实心电数据进行实验,结果证明了理论模型的正确性。（2）针对传统的稀疏恢复算法大多使用的₁-norm惩罚项所导致的对真实心电信号波形的欠估计问题。本文引入了具有非凸特性的广义极小极大凹函数GMC（Generalized Minimax Concave）作为惩罚项,可以大幅提升降噪模型中稀疏分量的提取能力,有效解决信号波形的欠估计问题。通过MIT-BIH心电数据库进行验证,并与多个降噪算法进行对比实验,结果表明基于GMC惩罚项的稀疏心电信号降噪算法在取得优良降噪结果的同时可以更好的保存心电信号中的关键特征。（3）针对以往QRS波形检测方法主要依赖于先验专家知识来选择固定的特征与参数的问题。以及忽略导联间的关联信息,仅使用单导联心电信号进行检测的不足之处,提出了一种融合多导联数据的卷积神经网络模型来自动检测QRS波形。模型支持多导联心电数据输入且无需进行预处理步骤,并且在卷积神经网络中设计了两种不同尺度的卷积层,一种提取当前波群与邻近波群之间的时间间隔与变异性信息,另一种提取不同导联之间的关联信息。充分利用了多导联心电信号,有效提高了QRS波群的检测精度。（4）针对提出的QRS模型检测结果出现错检漏检的问题,本文对模型的输出结果设计了回溯检查模块来降低错检漏检情况,进一步提高了波形检测精度。实验结果表明,本文提出的基于卷积神经网络的QRS波形检测算法在仅有两条导联的MIT-BIH心电数据库中取得了99.74%的灵敏度与0.294%的误检率。在拥有12导联的INCART数据库中灵敏度高达99.96%而误检率仅仅只有0.047%。证明了算法在多导联数据下的性能优越性以及更高的鲁棒性。