心电图监测数据是一种反映人体心脏健康状态的时序数据。因此,心电监测数据自动识别技术具有显著的经济效益和社会效益。由于心电信号本身比较微弱,心电电极进行测量的过程中容易引入噪声,这增加了心电异常检测的难度。本文采用时间序列数据挖掘和机器学习的相关算法,研究了心电信号的特征表示、相似性度量和自动分类算法,以提高心电识别的准确率和时间效率。针对心电时序数据噪声多、变化特征不明显等问题,提出了一种时间序列趋势特征表示算法,基于序列的变化趋势来对数据进行简化表示,不但起到了降维作用而且也有效提取到了数据的变化特征。实验表明,相比于其他的时间序列表示方法,时间序列趋势特征表示算法具有更好的特征提取效果。针对现有的时间序列相似性度量算法时间效率差,无法满足实时性的要求的问题,提出了一种时间序列快速相似性度量算法。该算法按照数据的变化趋势对时间序列进行匹配,可以在线性时间内得出检测结果,突破了现有时间序列相似性度量算法时间复杂度平方级别的限制。实验表明,这种快速相似性度量算法不仅在时间效率上具有很大优势而且总体识别准确率也高于其他方法。针对现有的心电监测数据自动分类算法无法有效利用心电数据常规特征的问题,提出了一种心电数据多特征分类框架。该框架结合相似度度量算法在形态识别上的优势和医学专家在心电诊断上专业知识,通过神经网络将时间序列相似性度量结果和心电数据的常规特征进行整合,共同对心电信号进行分类。通过与一阶邻近-动态时间规整算法分类结果进行对比,证明了多特征分类框架具有更好的识别效果。