心电信号是心脏电活动在体表的综合反映,临床心电图检查,对于检测和诊断心脏疾病具有重要意义,尽早地识别出心律异常的类型可以及时地对病人的病情做出判断与预测,对进一步的治疗和及时地抢救非常重要。由于心电信号是典型的非平稳的随机信号,存在一定的非高斯性和非线性,使得计算机对心电信号的自动诊断效果往往不能另人满意,因此,研究者还在不断地改进传统的方法并探索新的解决方案。本文根据心电信号的特点,从提取心电信号非线性特征的角度出发,引入核独立成分分析作为心电信号的特征提取算法,并结合离散小波系数特征与时域特征,构造多域特征集合,然后通过基于互信息最大相关最小冗余的组合式特征选择算法选择最优特征子集,对不同类型的心律失常信号进行特征表示。我们选取支持向量机作为分类器去完成识别任务,支持向量机(SVM)是一种基于结构风险最小化原则的通用模式分类方法,由于其强大的学习能力和良好的泛化性能,已经应用到许多模式分类领域。本文将纠错输出编码与支持向量机相结合设计多类分类器,同时引入ROC曲线下面积AUC(Area Under the ROC Curve)评价标准作为分类器的性能函数,不仅完成对心电信号的分类识别,也实现了对分类性能的很好评价。对MIT/BIH心律异常数据库5种心搏模式进行识别,对所介绍的各种特征提取方法进行实验和对比,实验证明,本文提出的算法能够极大限度的表示不同类型心律异常信号的特点,同时充分利用支持向量机分类器的良好推广性能,提高了预测分类精度,降低了分类错误代价。最后,采用MATLAB图形界面功能完成心律失常模式分类实验系统的设计,希望能对今后ECG的自动分析方法的研究和开发有所帮助。