胎儿心电图的监测对于保证围产期孕妇和胎儿的健康十分重要。传统的胎儿心电图多采用侵入式的方式进行检测,费事费力,测量过程复杂,而且对胎儿和孕妇的健康带来额外风险。目前,胎儿心电多采样腹部电极的非侵入方式采集,但是由于孕妇处于复杂的外界环境,且采集过程受孕妇自身心电信号和其他生物电信号的干扰,采集到的信号往往是胎儿心电信号、母亲心电信号和其他噪声的混合信号,必须经过一定的信号处理过程,才能得到清晰的胎儿心电信号。从腹壁混合信号中提取胎儿心电信号一直是生物信号处理领域的研究热点,近年来学者提出了各种理论的算法用于胎儿心电信号提取,例如盲源分离算法、自适应滤波算法、奇异值分解算法、机器学习算法等。支持向量机(Support Vector Machine, SVM)是一种基于的统计学习理论的最新的机器学习算法,它克服了机器学习算法的欠学习问题和过学习问题,解决小样本拟合问题性能优秀,十分适合将该方法引入到FECG的信号提取问题。本文结合以上课题背景和研究问题,在前人的基础上进行了以下研究：1)介绍了胎儿心电信号提取问题的课题背景、研究意义、胎儿心电信号的形态特征、噪声源分析等；2)介绍了统计学习理论的基本内容,支持向量机的基本原理,包括广义最优分类面、核函数特征空间、用于回归估计的支持向量机等,并对这些理论进行了详细的分析说明；3)结合胎儿心电信号的提取特点,针对最小二乘支持向量机的核函数参数优化问题,提出了一种基于改进萤火虫算法的核参数优化算法,代替原来的网格搜索算法。并提出了一种结合局部核和全局核的混合核函数,代替原先单一的核函数；4)将改进的最小二乘支持向量机引入胎儿心电信号处理的问题中,详述了胎儿心电信号提取的数学模型和提取步骤。采用临床采集的腹壁电极数据进行实验,并于基于自适应滤波方法和未改进的最小二乘支持向量机方法进行对比实验,验证了本文提出的改进方法的有效性；5)最后指出了本文研究不足之处和未来研究方向。