自进入二十一世纪以来,我国人口老龄化现象加重以及现有医疗服务资源在城乡间分布不均匀,居民健康问题在我国受到的关注正在逐步加强。心脑血管类疾病更是危害现代人健康地工作和生活的重要疾病之一,心律失常是心脑血管类疾病中重要的表现之一。准确地对心电图进行分类与识别工作是诊断心脑血管类疾病不可忽视的前提与关键。然而让具有丰富临床诊断经验的医师不断地进行繁琐、枯燥、高重复的心电图识别工作是不现实的。所以为了将经验丰富的医生从繁琐、易于疲劳的图形识别工作中解放出来,将更多的精力集中在患者的症状分析和疾病诊治上。本文研究了基于多重分形和神经网络的心电图自动分类识别算法。该研究提高我国医疗自动化诊断及重大疾病的预警的产生应用速度,而且对我国的疾病自动诊断水平的进一步提高具有非常重要的现实价值。现阶段中存在一些心电图自动诊断、辨识系统,但是它们中普遍有一个共性,那就是它们的研究方向更倾向于时域和频域分析。由于心脏是一个复杂的非线性混沌系统,其受很多因素影响,所以心电图表现形式截然不同,时域频域分析仅能够从心电图表面给出了所测试数据的时域频域特征,在内部因素和外部因素共同作用下当初所预期的结果就与实际情况差距较大。分形分析作为非线性混沌系统研究中的一个重要研究内容,正在逐步用来解决混沌系统的问题。已有大量研究人员证明了心电信号具有多重分形特性,同时利用多重分形来分析混沌系统也是一种趋势。本文主要研究内容是心电自动识别研究:(1)设计并实现一种利用差分阈值法进行心电信号自动分段的算法,该算法能够自动识别一段心电信号中的各个心电周期,并忽略那些心电周期不完整的心电周期信号。(2)提出一种利用多重分形理论描述数据特征来实现数据分类的算法。将心电信号的多重分形半谱特征和广义Hurst指数特征用于神经网络模型的训练与测试,其分类的准确率到达97%。(3)构建了一个完整的心电信号自动标注系统,该系统能够自动识别出一段包含多个周期的心电序列,并将各个周期进行标注。同时能够自动将该心电序列的首尾不完整心电周期的信号自动忽略,即拥有较好的容错率。