随着社会经济的发展,人们生活方式发生转变,心血管疾病流行趋势明显,已逐渐成为我国人群的主要疾病负担。通过心电图可有效观测出心律失常,对预防和诊断心血管疾病具有重要意义。随着人工智能大数据的快速发展,机器学习技术在心电信号自动分类上的研究成果层出不穷,但至今未能广泛应用于临床诊断上。因此,研究可靠、稳定的自动分析诊断方法尤为重要。本文对目前国内外的心律失常识别技术进行了分析,针对目前心电信号处理、分析和智能诊断算法中存在的不足,提出了改进的心电信号处理和识别方法,并通过计算机仿真实验进行了验证。全文主要工作如下:(1)基于小波阈值的心电信号预处理。通过分析心电信号中的噪声特性,利用小波变换技术将信号进行多层小波分解,构造了一种介于软、硬阈值之间的新阈值函数。通过实验验证该方法与软硬阈值去噪相比,能有效提高信号的信噪比。(2)基于融合特征的心电信号特征提取。采用小波变换对心电信号进行特征点检测,将单个周期的心电信号作为数据样本,提取出间期和幅值等作为时域特征。采用深度稀疏自编码器对心电信号进行编解码,只需要少量标签就能完成网络预训练与微调,降低了对样本标签的依赖。过程中采用自适应矩估计进行参数寻优,提取出最高层的隐含输出,作为深度特征。应用加权融合的方式将时域特征和深度特征进行融合,并通过实验验证融合特征能有效的表征心电信号。(3)基于模糊C均值(FCM)算法的心电特征分类。针对FCM算法需要先验知识的不足,利用K近邻优化的密度峰值算法自适应获取聚类原型数。此外,考虑到心电信号数据集的极度不平衡,通过在FCM算法的目标函数中添加样本容量信息,降低正常心律边缘数据的误判率。实验证明,该方法对心律失常样本有较高精度的识别能力,在五种心律判别中取得了98.95%的正确率。