近些年,随着计算机技术和人工智能技术的发展,心电信号的自动分类方法日渐完善,其主要包括以下四个步骤:信号采集、信号预处理、信号特征处理、信号分类。信号采集主要指采用硬件设备获得原始心电信号,信号预处理主要指对原始信号去噪以及去除基线漂移等操作,信号特征处理指对于原始信号的特征进行提取、选择、融合等操作来突出不同类别信号之间的差异以获得更好的分类效果,信号分类是指采用分类器对特征处理后的信号实现分类。传统的特征提取方法存在特征提取力度不够、只能提取单一维度的特征而多个维度的特征无法有效结合在一起的缺点;传统的特征选择方法分为过滤法（Filter）、封装法（Wrapper）、嵌入法（Embedded）、融合法（Hybrid）四种类型,融合法因为结合了过滤法与封装法的优点而受到广泛使用,但是现有的融合法种类较少且在特征选择与特征降维效果上仍然有提升的余地;此外随着深度学习的发展,利用深度学习方法对心电信号实现分类取得了显著成果,其中胶囊网络（Capsule Network,Capsnet）作为一种新型神经网络结构,改进了传统卷积神经网络无法提取特征间关系的缺点。因此本文主要针对于信号特征处理与心电信号分类这两个方面展开关于心电信号分类识别的研究,分别采用多维特征提取与选择方法以及基于胶囊网络模型的心电信号分类方法完成心电信号分类。本文完成的主要工作如下:（1）提出了一种多间隔对称点图（Multi-interval Symmetrized Dot Pattern,MSDP）方法,该方法针对对称点图（Symmetrized Dot Pattern,SDP）方法间隔参数单一导致的特征提取不足、试选法确定参数导致的精度及效率低下等缺点进行了改进,MSDP方法是一种信号转换方法,使用MSDP方法可以将一维信号特征用可视化图形表示,经过MSDP变换,一维信号可以转换为二维对称花瓣图形,信号之间的差异可以通过花瓣形状的不同得以表征。根据这一特点,可以将心电信号进行MSDP转换,然后从图像处理的角度提取出反映花瓣形状的特征对不同类型心电信号进行分类。（2）提出了一种基于WRelief F-GA-SVM方法的多维特征选择方法,对提取到的原始特征进行特征选择与降维。该方法首先针对传统过滤类型Relief F方法不均衡采样及特征权重计算不准确的缺点,提出一种均值权重型Relief F（WRelief F）,然后将WRelief F方法与封装类型的GA-SVM方法结合,将过滤法特征选择快速、降维效果明显的特点与封装法特征选择效果精确可靠的优点充分结合,并利用支持向量机（Support Vector Machine,SVM）分类结果作为遗传算法（Genetic Algorithm,GA）种群优化适应度,实现多维特征提取与选择。最终采用“一对多”SVM分类器完成心电信号分类。（3）提出了一种基于胶囊网络模型的心电信号分类方法,该方法首先提出一种新型胶囊网络模型,该模型改进了传统胶囊网络特征提取不足的问题,然后采用MSDP算法对原始心电信号进行二维图像转换并将其作为胶囊网络的输入,并采用数据增强方法对训练集图像数据进行增强,然后通过训练集训练胶囊网络模型,测试集测试网络模型分类性能,完成心电信号分类。最终通过在MIT-BIH公开数据集上对以上方法进行实验验证,并将得到的分类结果与其它分类方法进行比较。实验证明,基于多维特征提取与分类的方法与基于胶囊网络模型的心电信号分类方法都能够获得较高的心电信号分类精度。