近年来,心血管疾病发病率逐年升高,并且呈现出较高的死亡率。心血管疾病患者早期发病时常常伴随着心律失常症状,因此早期检测心律失常对提前预防心血管疾病,及早介入治疗具有至关重要的意义。心律失常类型的分类技术一直都是心电信号(ECG)自动分析的重要研究课题,但由于心电信号属于微弱生物电信号,极易受噪声影响,若要实现对心律失常准确的特征提取和正确分类仍然存在着很大挑战。基于此,本文针对ECG特征提取及心律失常类型的分类进行研究。针对心电信号中经常出现的基线漂移低频噪声及高频噪声设计了数学形态学滤波器,通过选择合适的不同类型和长度的结构元素,在有效滤除噪声的同时保留原始信号波形特征,有效克服了由于信号失真而导致的特征提取误差。在准确检测心电信号各个特征波形的前提下,首先从心电信号中提取最直观的具有医学意义的波形形态特征,即间期、幅值等,全面获取心电信号的波形信息;其次,提出采用动态时间规整(DTW)计算单个心拍和标准心拍之间的形态学距离,刻画心拍之间的相关性;最后,对心电信号中信息含量最高的QRS波群进行主成分分析(PCA),提取QRS波群中主要成分分量。将三部分特征融合作为分类特征向量集,为后续分类工作奠定基础。本文综合比较了几种常见的分类算法,选择了对于非线性随机信号处理性能较强的支持向量机对正常心电类型及三种心律失常类型进行分类。支持向量机中核函数选用的类型是径向基核函数。针对标准粒子群寻优算法容易陷入局部最优的缺点,本文提出采用改进的粒子群参数寻优算法快速有效寻找径向基核函数的核参数σ和惩罚系数C的最优参数。然后训练得到最佳分类模型,再将测试样本的特征向量输入至分类模型进行分类处理,采用灵敏度、特异性、阳性预测值和准确率这四个指标评价分类结果,并且与其他相关文献的分类结果进行对比分析。实验结果表明,本文提出的算法能够准确实现心拍类型的分类,准确率可达97.32%。