心电信号的自动分析诊断技术，是通过模式识别方法来提取心电信号中的有效特征，并给出辅助结论，从而帮助医生更加快速准确地给出诊断结论，提高诊断效率并减少误诊率。传统的心电信号自动分析诊断技术的研究对象主要是单导联或2导联心电信号，在向量空间来完成特征抽取和模式识别的过程。然而现在12导联心电信号已经成为医学界通用的标准，如果仍然应用向量空间中的方法来处理这类心电信号，将会丢失12导联心电信号表征带来的有价值的结构信息，还会面临小样本问题。因此迫切需要针对12导联心电信号提出新的处理方法。本文针对这一需求，提出了一个基于张量的心电自动分析处理框架，在张量空间完成12导心电信号的特征抽取过程，最大程度保留了真实心电数据中的完整信息，用于后续的模式分类。本文所提出的心电张量自动分析处理框架主要分为以下三个模块：1）心电信号预处理。在心电信号预处理部分，我们根据噪声的不同来源使用了不同的方法对原始信号进行了去噪处理，然后基于特征点检测对去噪信号进行了心跳切分。对于切分好的心跳信号，我们通过短时傅里叶变换将其映射到3阶张量空间上，这样既能捕捉到时域上心电波形在形态上（如波幅，间期等）的变化特征，也能捕捉到心电信号在频域上功率谱变化的特征，提升心电特征可判别性。2）特征抽取。本文首先介绍了向量空间中常用的几种心电特征提取方法，然后重点研究了基于张量来提取心电信号特征的方法。根据最终获取特征空间的不同，分别研究了通过张量分解和秩1张量判别分析来获取12导联心电特征的过程。秩1张量判别分析本质上是一种类贪心算法：其在各个迭代过程中有局部最优解，但在整体上并非全局最优解。针对这一问题，我们提出了一种自适应的秩1张量判别分析方法：根据训练数据在已有特征上的判别性，自适应调整后续迭代中获取的特征，从而使得所有特征在整体上能有更好的效果。3）模式分类。在分类器的选择过程中，通常需要考虑分类器的分类准确率以及性能。另外，心脏病种类繁多，是一个典型的多类分类问题，因此选择的分类器必须具有良好的多类分类能力。我们最终选择使用支持向量机来完成分类过程。支持向量机本质上是一种稀疏核机器，能通过kernel trick来解决非线性分类问题，并且计算复杂度也很低，在很多分类问题中都被证明有很好的分类准确率和性能。在解决多类分类问题时，我们采用了一种投票的方式来扩展原始的二分类支持向量机。在真实数据集上的实验结果验证了我们提出的张量方法能够获取判别性较好的特征，在模式分类中获得了比向量空间方法更高的准确率，另外我们提出的自适应的秩1张量判别分析方法获得了最好的分类实验结果。