随着心脏病的发病率和死亡率逐年增高,心脏病已经严重威胁到人类身体健康,因而进行长时间的心脏状况监测对于心脏病患者来说显得至关重要。心律不齐是心脏病中较常见的疾病,对于心律不齐的监测也是不可缺少的。心电图(Electrocardiogram,ECG)分析是一种临床上最常见的监测手段,医生要在大量的监测数据中人工检测出病人所患的心脏病类型,会消耗大量的时间和医疗资源。而且当前的心律不齐自动分类算法存在特征不具有生理意义、样本数据少、不能充分利用数据等问题。针对这些问题,本文主要利用较多的心电信号样本数据完成去噪、特征提取、5种心律不齐疾病自动分类等方面的内容。论文主要工作如下:1.针对部分特征值不具有生理意义,不能辅助医生的做出诊断的问题,本文采用了自适应的离散小波变换,将心电信号中具有临床意义的相关心电信号特征都提取出来,构成特征矩阵,从而实现充分利用数据信息,达到较高的分类准确度的目的。2.针对全面特征提取的特征矩阵维度较高、数据样本少的问题,本文提出了采用主成分分析法在特征提取的基础上进行特征降维,将原始的高维特征矩阵转换为低维的特征矩阵,去除冗余信息,达到降低计算量、加快运算速度的目的。3.针对传统神经网络方法分类准确度不高,误差函数收敛速度慢的问题,本文提出的改进Levenberg-Marquardt算法在传统神经网络分类的基础上进行优化,使得改进后的神经网络在分类准确度有明显的提升,能够在MIT-BIH心律不齐数据库下实现常见的5种心律不齐疾病的自动分类,即正常心律、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏,并且能够达到98%的准确度;同时,加快了误差函数的收敛速度。