胎儿心电信号(fetal electrocardiogram, FECG)能够反映胎儿的宫内生理活动状况，通过对围产期胎儿心电的监护和观测，可以监测胎儿的健康状况，从而达到降低围产儿发病率与死亡率的目的。但是目前难以提取得到清晰的FECG，限制了FECG临床上的应用。本论文首先介绍了FECG提取的研究背景和意义，阐述了国内外FECG提取的发展动态。近年来盲信号分离方法被引入FECG提取领域，被认为提取效果较好、具有较好的应用前景。由于传统的盲源信号分离方法一般限于处理非高斯、平稳信号，且对噪声的抑制能力不强，本文研究了基于时频盲源分离(blind source separationbased on time-frequency distributions, TFBSS)的FECG提取方法。采用临床实验数据与基于RLS (recursive least square, RLS)的自适应滤波法、基于DNN (dynamicneural network, DNN)神经网络法的FECG提取结果进行比较。为使提取得到的FECG更加清晰，本文采用经验模式分解(empirical mode decomposition, EMD)去噪，并与去噪前的FECG进行比较。由于基于盲源分离的FECG提取方法，需要导联数多，计算复杂度大。本文在介绍统计学习理论、回归支持向量机理论的基础上，引入改进的支持向量机算法(v-support vector regression, v-SVR)，并系统详细地介绍了基于v-SVR的胎儿心电信号提取的原理，在仅使用两导联的情况下，完成了基于v-SVR的胎儿心电信号的提取。为进一步说明本论文方法较其他常用两导联FECG提取方法的优势，本文分别对采用Patrick E. McSharry提出的合成动态心电的模型合成的心电信号和由Lathauwer提供的临床实验数据，从对比观察法和量化性能分析两个方面，与基于RLS的自适应滤波法、基于ANFIS(adaptive neuro-fuzzy inference systems,ANFIS)神经网络和基于DNN神经网络以及基于在线最小二乘支持向量机(onlineleast squares support vector machines, OLSSVM)的胎儿心电信号提取方法，进行对比实验及结果分析。其中，合成实验数据的FECG提取实验及对比实验的量化性能指标，采用质量信噪比qSNR和互相关系数r；对于临床实验数据的FECG提取实验和对比实验的量化性能指标，采用特征值分析信噪比SNRe ig和基于互相关系数计算信噪比SNRR MS以及时间复杂度。最后本文将基于v-SVR提取得到的FECG进行EMD去噪，使提取得到的胎儿心电信号更加清晰，信噪比更高。并且将采用临床实验数据，基于v-SVR提取得到的FECG与基于TFBSS提取得到的FECG进行归一化可视化对比分析和量化性能分析；将基于两者的提取结果经EMD去噪后，进行归一化可视化对比分析和性能量化对比分析。