心血管疾病是目前世界上发病率和死亡率最高的疾病之一,已经严重威胁到人们的健康。心电图是人体心脏电活动的直观反映,是目前诊断心血管疾病的重要依据。传统十二导联的心电图机检测步骤繁琐,需要专业医护人员进行操作,无法实现心电图的自主检测且无法得到心电活动的实时反馈,使得一些突发心脏疾病得不到及时的诊断和治疗,极大地威胁了人们的生命。随着可穿戴心电监测技术的发展,可穿戴式的心电移动监测设备受到广泛研究,而其中的面向可穿戴应用场景下的心电信号高效处理算法显得尤为重要。本文提出了一种小波包分解-统计分析和斜率阈值相结合的多域特征提取算法。首先,利用小波包函数对去噪后的心电信号进行4层分解,得到16个小波包分解系数,结合统计分析的方法计算其奇异值、最大值和标准差,得到F_{（540×48）}的频域特征空间;同时,利用斜率阈值法对去噪后的心电信号进行R峰检测并计算出RR间期,提取前两个RR间期作为时域特征,组成T_（540×2）的时域特征空间;最后将求得的频域特征空间和时域特征空间组成融合特征空间M_{（540×50）}。本文根据不同的心电信号类型,选择了波形形态分析和支持向量机相结合的方式来进行心电信号的分类。分类算法需要实现9类心电信号的分类,包括:正常心电（N）、窦性心动过缓（SB）、室性心动过速（VT）、室性早搏（V）、房性早搏（A）、心房颤动（AF）、房性心动过速（AT）、窦性停搏（SA）、窦性心动过速（ST）,心电数据分别来自于MIT-BIH数据库、LTAFDB数据库以及Fluke生理参数模拟仪。由于窦性心动过缓、房性早搏、房性心动过速、窦性停搏和窦性心动过速在节律上具有明显特征,因此这5类心电信号采用波形形态分析进行分类识别,其余4类采用支持向量机进行分类识别。经MATLAB对9类数据的测试分析,得到相结合的分类方法准确率为96.67%。最后,基于心电信号前端采集电路,利用腾讯云搭建云端服务器,并结合手机（华为荣耀8:FRD-AL10）APP进行实际人体的心电信号诊断测试,能够对正常志愿者心电信号进行准确的识别。本文提出的面向可穿戴的心电信号处理算法能够有效地提取心电信号的特征,并通过波形形态分析和支持向量机相结合的方式能够对可穿戴设备采集的人体心电信号进行分类。本文提出的心电信号处理算法能够在实际的可穿戴设备中进行运用,对于心脏疾病的预防和预诊断以及监测治疗具有重要的实际意义。