非线性时变信号是一类频率和幅值随时间变化的多成分信号,多变量系统、多个信号的组合过程特征往往呈现出高度的复杂性,它的分类处理一直是信号分析与人工智能研究领域研究的重要课题。ECG心电信号极易受到干扰,是一种具有非平稳性的微弱信号,每一个心动循环周期由一系列有规律的波形组成,这些波形分别记录着心脏活动状态的详细信息,为心脏疾病的诊断提供着重要的分析依据。目前绝大多数研究都是在将时变信号视为时间短、状态平稳并且线性的基础上进行研究的,忽略了信号随时间变化部分所承载的信息,而且在实际研究中,由于一些案例事件发生较少、样本采样代价昂贵等因素,给信号系统的建模分析带来许多困难,如何利用小样本集数据对心血管疾病进行研究处理,同时,在保证诊断准确性的基础上提高数据处理速度,成为本文的重点研究内容。具体研究内容如下:1.心电信号容易受到环境的影响产生噪声干扰,针对不同类型的高低频噪声频域分布差异,使用巴特沃斯低通滤波实现心电信号的噪声过滤。2.数据集各类样本之间样本数目差异大且存在数据不平衡的问题,采用信号重采样技术对CCDD数据集进行平衡处理,并用归一化对数据集中数据实现统一,文中也给出了具体处理的方法。3.针对时变信号小样本集建模分类问题,提出了一种深层多尺度径向基过程神经网络(DLMS-RBFPNN)。兼顾时变信号的频谱特征和分布形态的多样性,基于径向基过程神经网络,通过将不同宽度参数的Gauss核函数进行线性叠加,构成多尺度核,完成不同尺度上对过程信号形态特征的提取、辨识和相似性度量。通过在径向基核函数层之上叠加全连接层和分类器,实现时变信号不同尺度特征的融合和分类。4.针对医疗疾病诊断中缺乏快速、有效的故障分类方法的问题,提出基于决策树诊断ECG信号导联分组算法的集成分类模型,模型简单的结构避免繁琐的参数训练过程,同时,以最大化样本数据被正确分类的概率为学习目标使得模型能够更加专注于数据的类别信息,减少无关特征信息的干扰,提高分类结果的准确性并通过实验进行验证。