心血管疾病在中国及全世界的患病人数逐年增加。心血管疾病发作前有相应的心律失常,或者心律失常作为心血管疾病的并发症,因此心律失常是心血管疾病预防、诊断和治疗的关键。心律失常具有突发性和抢救时效性等特点,会导致采集设备不能及时的采集异常心律。24小时不间断的采集心电信号,会带来几万个周期的心拍数据,传统人工识别心电图(Electrocardiograph,ECG)的方式容易造成误诊和漏诊。计算机作为心律失常的辅助诊断方法显得尤为重要;ECG信号作为新型生物特征识别技术具有不易伪造、成本低廉和稳定性高等优势。传统的心电滤波方法,通常只考虑了信号的正向滤波;目前大部分的心律失常分类算法在平衡的心拍数据集取得不错的效果,但对于不平衡的心拍数据集效果相对较差;传统的心电身份识别模型,只考虑健康个体或者非健康个体,模型泛化能力不强。本文基于公开ECG数据集对心电信号滤波、心律失常分类和心电身份识别等方面进行了深入的研究。本文的主要研究内容如下:第一,提出了基于扩展卡尔曼平滑滤波(Extended Kalman Smoother,EKS)的心电信号滤波算法;包含了正向扩展卡尔曼滤波和反向平滑滤波,以正向扩展卡尔曼滤波的终点作为反向平滑滤波的起点。EKS通过与小波软阈值滤波、中值滤波和扩展卡尔曼滤波等方法比较滤波后信号的最小均方误差和信噪比,EKS有效提高信号的信噪比和降低信号的最小均方差。第二,提出了基于双向长短期记忆神经网络(Bi-directional Long Short-Term Memory Networks,Bi LSTM)的心律失常分类模型;对5类心拍分类,比较分析了BP、CNN、SVM、LSTM和Bi LSTM的心律失常分类模型各项指标,BP的总准确率达到97.90%,SVM的总准确率达到97.75%,CNN的总准确率达到98.71%,LSTM的总准确率达到98.75%,Bi LSTM的总准确率达到99.23%。第三,提出了基于Bi LSTM的心电身份识别模型,从2个公开的ECG数据集选取部分数据组成三个数据集;对三个数据集的心拍识别正确率达到96%以上,身份识别正确率均达到100%。