当今世界,心血管疾病已经高居全球人口死亡原因首位,不得不引起科学界和社会的广泛关注和高度重视。作为最常见的心律不齐,心房颤动经常成为研究人员研究的热门课题,因为房颤的高发病率和危险性。基于心电图的房颤判别存在精度不高、人力消耗量巨大等问题,且房颤的判别主要依据专科医生的临床诊断,高度依赖专家经验。房颤的自动分类判别一直是一个亟待解决的问题,目前中外研究人员采用的主要方法,包括传统的特征分类法与深度学习分类方法。这两种方法都依托现今计算机的高运算量,通过不断学习达到分类目的,分类精度相比以往有了较大幅度提升,但都还存在各自的不足。基于此,本文针对房颤信号中的特征,结合国内外已有研究方法,提出一种基于特征融合的心电信号房颤自动检测算法,并在后续的一系列实验中验证了该算法的可靠性。本文主要研究内容如下:第一,详细综述了心电信号房颤分类的研究背景,与国内外研究现状,综述了心电信号的组成与常见的心电数据库。第二,针对心电信号在采集时易出现的各类异常,通过数字信号处理中的有关方法,与改进型Pan-Tompkin算法等,对心电信号进行了预处理,去除了掺杂的噪声信号,纠正了倒置现象。第三,以2017PhysioNet/CinC心电竞赛的公开训练集为样本,从心电信号中采集234个不同特征,这些特征包括了心电信号RR间期的参数,心率变异性（HRV）的参数,以及其他波峰的分布情况等,还包括了一些非线性特征。本研究将这些特征制作成特征矩阵,在机器学习算法模型中加以训练和验证。在5折交叉实验中,在准确度以及F1分数上都取得了接近2017比赛结果的成绩。第四,以MIT-BIHAFDB数据库为样本,将提取的信号分别制成多种二维图像,包括时域增强图、STFT变换图、S变换图、格拉姆角场图等。之后,结合二维卷积神经网络模型（该模型由6个Conv层、3个MaxPooling层、两个Full-connected层与一个Softmax层构成,采用Relu函数作为激活函数）,实现了对心电信号的房颤分类。第五,基于手动提取特征分类与深度学习分类的思路,将两种方法结合,并修改了深度神经网络模型的输出端,最终形成了一种房颤特征融合分类算法。该算法结合了手动提取特征和深度学习特征,同时具有双方的优点。本研究采用准确度Accuracy、敏感度Sensitivity、特异度Specificity等技术指标,对该算法的表现进行了验证。在房颤数据库中的测试结果最高达到99.2%,显著高于单独使用特征分类方法或深度学习方法。总之,本文提出的基于特征融合的心电信号房颤自动检测算法具有准确度高、使用方便等优势,在未来可借助便携式心电监测装置实现房颤的实时监控,提高患者生存质量及降低猝死风险。