心律失常一直是威胁人类健康的大敌，心房颤动（房颤）则是其中最常见的一种。心电信号是诊断心律失常的最佳手段，目前心律失常的诊断仍是有经验的医生观察心电图进行判断，因此心电信号的自动分析处理和心律失常自动检测成为当前信号处理领域的研究热点之一，其进步和发展对医疗事业和人类健康水平的提高具有重大意义。　　本文对心电信号产生机理及其与心律失常的关系做了详细分析，在研究基于RR间期的心律失常检测算法的基础上，提出了一种新的算法设计思路。　　心电信号中信息量巨大，且一次性分类所有心律失常十分困难，本文对比分析了两种基于RR间期的心律失常检测算法。前者采用RR间期和QRS波宽作为一级分类指标，粗略分类部分心律失常，实验证明有较高的正确率。后者利用RR间期散点图分别定性和定量地检测心房颤动，实验证明能够很好地区分窦性心律和房颤，以及持续型和阵发型房颤，但在自动检测方面还有进一步改善空间。两种算法都证明了利用RR间期检测心律失常包括房颤具有可行性。　　本文针对房颤和窦性心律在RR间期前后关系上表现出的差异，利用AR模型对RR间期时间序列进行自动分段，以AIC作为模型拟合优良度的评价准则，达到区分房颤和窦性心律的目的。通过在MIT-BIH心房颤动数据库上的实验，得到了较高的准确率，证明了该方法的有效性，讨论了AR模型阶次和分段单位长度对分段结果的影响。同时发现该方法在少数持续时间极短的房颤段可能会发生漏分，加上房颤在不同患者的RR间期时间序列中表现出的差异性，都使得寻找一个适用于多数房颤的确定分段单元长度和阶次的方法成为未来研究的首要问题。另外，实验结果证明了RR间期时间序列在房颤和窦性心律上具有不同的动态特性，为分段后进一步研究房颤段的时频特性从而实现房颤的实时检测提供了坚实基础。新思路的提出也为房颤检测和心律失常分类研究领域做出了贡献。