心血管疾病是现阶段危害人类生命健康的重要疾病,且各种心血管疾病的发生或多或少都伴随着心律失常。长时间的心电监护所产生的心电图数量极为庞大,使用计算机技术对心律失常进行初步地筛选和标记,可以极大的提高医生诊断的效率,减少误诊或漏诊的发生。对于心电信号的自动分析主要集中在心律失常的分类方面,由于病人个体的差异、心电信号的噪声干扰、心律失常的种类繁多、分类所需的计算量大、许多心拍在不同医生处的诊断仍有争议等等原因,目前这一技术仍然不能很好的应用于临床。本研究基于离散小波变换和随机森林完成了对心律失常的分类。在数据集选择方面,使用MIT-BIH数据库中经过挑选的样本作为数据集;在预处理方面,基于离散小波变换去除心电信号中的高频噪声和基线漂移;在特征提取方面,利用离散小波变换、自相关系数、主成分分析、方差等多种数学方法,提取出了七种类型的特征,而形成的特征向量包含了心拍的频域特征、时域特征和形态学特征;在分类方面,使用随机森林分类器进行训练和预测,对九种不同类型的心拍进行了分类。本研究实现了心律失常分类的系统。并通过实验讨论了不同参数对心律失常分类准确率的影响,最后通过综合实验验证了特征提取算法的效果。对于九种心拍的平均分类准确率为99.77%,平均灵敏度为95.56%,平均特异度为99.83%。本研究提出的特征提取方法对于应用于临床的心律失常自动分类有一定的指导和借鉴作用。