随着现代社会中人们的生活和工作压力在不断地加剧,心血管病的患病率也在不断地提高。近些年来,中国人口老龄化形势日益严重,房颤作为一种心血管疾病,其患病率也在不断地提高,目前已成为人群中患病率最高的疾病之一。在本文中,根据医疗需求以及心房颤动在心电图上的表现特征,设计一种自动检测心房颤动的算法。其中本文的主要工作和创新型成果如下:（1）MIT-BIH心率失常数据库是目前使用最多的数据库,包含几种心率失常。由于MIT-BIH心律失常数据库没有对房颤具体类型的分类,无法对房颤的具体类型做进一步分析。因此,课题组采集了南京某医院的房颤临床数据,建立AF-7数据集。该数据集一共有2023组心电数据,其中包含6种房颤类别和1种正常心电类别。（2）传统的滤波方法往往采用一种滤波方式对ECG信号进行滤波,由于ECG信号中的噪声多样且相差较大,一种滤波很难做到兼顾不同噪声的去噪。针对这一问题,本文对ECG信号中不同类型的噪声进行如下两步处理:首先采用一种改进的中值滤波算法实现对基线漂移的纠正。然后采用小波分解重构的方式对ECG信号进行多尺度分解,在小波域中实现去除由工频干扰和肌电干扰所引起的噪声。经实验证明,此滤波方法的信噪比和均方误差均有较大提升。（3）在对ECG信号中的R波检测中,传统的检测方法是直接利用ECG信号上R波的特征进行检测,但是对于一些复杂的心电图时,特别容易造成误检和漏检。针对这一问题,本文首先利用ECG信号上R波的特征检测出R波,然后利用心电生理特性设计一种R波的误检和漏检的补偿方式,进一步提高了R波的准确率。在目前的房颤检测方法中,大多用房颤的两大特征作为检测条件,即无规则的f波代替有规则的P波,以及RR间期变得绝对不规则。此两大特征作为检测条件只能检测出是否存在房颤,而不能检测出房颤的具体类型,以及一些特殊的房颤。除了房颤的两大基本特征之外,本文还提取了P波、心室率、QRS波宽度、QRS波幅值和PR间期等这些特征。利用这些特征设计一种能够检测出具体房颤类型的算法。最后,利用数据集AF-7对该算法进行验证,检测算法对各种类型房颤的敏感度、特异性和准确率均在95%以上。