心脏是身体重要的器官，自从人类开始探测心电信号，心电图就成为了衡量及检测心脏是否健康的手段。心电学的研究和计算机的发展使心电信号的自动识别分类技术在近些年来一直在被作为重要课题所研究。本文结合小波变换与神经网络，对心电信号自动分类识别做了进一步研究，并以实验论证了神经网络技术在计算机自动诊断方面的重要意义。本文首先阐述了当前心电信号自动诊断技术的发展及研究现状。紧接着介绍了心电信号的产生机理和心电图的基础知识，并对心电信号中几种典型异常信号做了解释，包括诊断标准和异常信号的波形特征。之后，剖析了心电信号诊断分类的难点，即信号中存在肌电噪声、工频干扰以及基线漂移等，使得计算机对心电信号分类不准确，参数提取不合理。在此之上，对比了几种针对上述问题的心电信号消噪方法，结合小波阈值滤波和小波分解与重构滤波两种算法的特点，即前者有效滤除工频干扰和肌电噪声，后者有效校正基线漂移，实现了ECG信号预处理的目的，为后续处理做好了准备。之后又引入了基于小波变换理论的QRS波形检测方法，重点阐明了利用双正交二次B样条小波的检测算法。仿真实验结果表明，该小波算法对QRS波群的检测率高达99%以上，可以很好的定位心电数据，以便准确提取波形特征参数作为后期处理的输入集。最后，参照目前临床所使用的检测标准为参数基础，设计并训练了一种使用Levenberg-Marquardt算法改进的BP神经网络。该算法同时具有了最速梯度下降法和牛顿法的优势，克服了BP网络的收敛速度慢、训练精度低和局部极小化的缺陷。实验训练样本集则采用国际普遍使用的MIT-BIH标准心律失常数据库中的样本。仿真结果表明，本文改进的BP神经网络模型对于心脏早搏现象的识别，达到了满意的效果。除此之外，还可利用此网络检测分类多种心律失常症状，其表现达到了90%以上准确率。