近年来,随着人们生活水平的提高,心血管疾病的患病率显著增加,因病死亡人数也呈逐年上升趋势。而在所有的心血管疾病中,心律失常是较常见的一种疾病,也是诱发心脏性猝死的一个根源,因此及时准确的检测出病人的心律失常,对预防心脏病和心脏猝死具有重要的意义。早期心律失常的诊断主要依靠医生对心电图波形的分析得出具体的心律失常类型,受医生的经验影响很大,同时由于心律失常种类繁多导致对应的心电波形纷繁复杂,仅靠人工分析已不能满足病人的要求。随着计算机的出现,利用智能处理技术实现心电信号波形检测及心律失常的分类成为近年来研究的热点,但由于噪声干扰、个体差异等原因,要实现准确的波形检测和分类还存在一些难题。本文针对心电信号的波形检测及心律失常的分类进行研究,主要工作内容及创新成果如下:(1)提出一种新的自适应阈值估计方法,该方法在小波分解的不同层采用不同的阈值,能够自适应的去除心电信号中的基线漂移、肌电干扰及工频干扰等噪声。采用基于软阈值的小波变换进行去噪的仿真实验,结果表明,自适应的阈值估计方法优于其他方法,能够较好的去除各类噪声,最大限度的保留信号的原始特征。同时将基于软阈值小波变换的自适应去噪算法采用FPGA实现,在modelsim上的仿真结果表明,基于硬件的去噪效果和软件实现相当。(2)提出一种基于组合阈值的QRS波群检测算法,首先利用差分运算确定信号的局部极值点,再利用幅度阈值确定R峰的候选点,最后利用小波阈值确定最终的R峰。仿真实验结果表明,算法的计算量明显减小,具有较高的准确率、实时性与鲁棒性。(3)提出一种先全局后局部、逐级筛选的精英遗传算法用于心电信号的特征选择,在算法实现中,提出三种遗传算子,分别是“优胜劣汰扩空间”选择算子、拼接算子和切断算子。结合朴素贝叶斯分类器,仿真实验结果表明,算法能够找到最优的分类特征子集,实现对心律失常的准确分类。(4)提出一种基于遗传算法优化的极限学习机(GAELM)用于心律失常的分类,其中,遗传算法用于优化单隐含层前馈神经网络隐含层的学习参数。同时提出一套基于小波变换、核主成分分析及GAELM的组合方法实现心电信号的波形检测及心律失常分类。实验结果表明,所提方法较其他算法运行时间更快,准确率更高。