随着生活节奏的不断加快,越来越多的人步入亚健康的状态,心脏疾病的发病人群也越来越多,已经成为全球高发的人类健康威胁第一号病症。如果能够在心脏疾病发作前进行实时监测,对于患者及时的抢救以及后续疾病的恢复具有十分重要的意义。心电图（Electrocardiograph,ECG）是临床医学中使用最多的医学设备,其检测准确快速深受医生青睐,但由于临床的心电图仪难以进行长期的监测,越来越多的学者投入到了可穿戴心电设备的研究中。可穿戴的心电设备将柔软的织物电极嵌于衣物中,结合相应的硬件处理设备,可以对心电信号进行持续不间断的检测。本文的主要内容是对于此类可穿戴的心电检测设备,设计了如下几种针对弱标记心电信号的心跳检测与心率估计方法,并进行了相应的实验对其性能进行检验。具体来说,本文的主要研究内容如下:（1）提出了一种基于多示例学习与进化优化的心跳检测与心率估计方法。对于ECG信号来说,已经有许多方法可以进行心跳检测和心率估计,其中较多的方法为基于频率的无监督算法,虽然这些方法可以快速的估计心率,但对于逐博心跳检测的精确估计效果不佳,容易受到周期性噪声的影响。在针对ECG心跳波形的检测中,当前的R波检测算法所用的数据,一般需要由专家精确标注出R波的位置,人工成本较高,当数据量较大时,非常耗时且效率不高。因此本文利用多示例学习这一弱监督算法来解决不精确标记的问题,有效降低算法对于精确标签的依赖度。进化算法是一种基于全局的群体优化算法,近年来已经越来越多的应用在实际问题中。本文将基于余弦相似度的多示例学习MI-ACE算法与进化算法相结合,提出了的Evo-MIACE方法,可以有效地解决MI-ACE受限于初始化的问题并最终使其解逼近全局最优,极大的减弱了对精确标签的依赖。实验结果表明,Evo-MIACE学习到的R波心跳概念在心跳特征和心率估计方面更具判别力和准确性。（2）本文提出了一种基于高斯混合聚类与自编码器的心跳检测与心率估计方法,可以进一步降低对人工标签的依赖程度,并同时保证心跳检测的精度。利用卷积自编码器依据心跳信号自适应地提取数据的特征表示,不仅可以降低了人工提取特征的成本,而且可以获得更好的结果。算法首先将自编码器所提出的深度特征进行高斯混合聚类,然后在高斯混合聚类中引入自适应的类别个数选择机制,根据聚类性能评价函数Calinski-Harabaz选择出最佳的聚类簇数,最终通过心跳特征获得更加准确的心跳检测结果。实验结果表明,以无监督的方法提取ECG信号的心跳特征,不仅降低了人工提取特征对时间和精力的消耗,而且提高了心率估计的精度。