随着5G技术和健康物联网技术的发展,便携式的动态心电设备已经成为一种新的趋势,这对于心脏疾病的早期发现及预防是至关重要的。然而,由于动态心电设备的检测环境复杂多变,并且ECG信号是一种易受干扰的生物电信号,因此由可穿戴式设备采集得到的ECG信号的质量参差不齐。因此,在心脏疾病诊疗之前,首先通过进行ECG信号的质量评估来剔除掉没有诊断价值的ECG数据,是非常有必要的。现有的ECG信号质量评估的方法由于使用的特征提取方式单一或者使用的特征数较少的原因,具有准确度不太高的问题,导致质量评估这一环节一直无法真正投入到可穿戴式心电设备的应用中。本文针对以上问题,将主要从动态ECG信号质量评估的数据库建立、ECG信号的手工提取特征的多特征融合、心电信号的时频表示特征以及两类特征通过卷积神经网络进行融合等方面进行研究。具体可分为以下四点:第一点,总结了现有的ECG信号质量评估数据库的标注规则并提出了本文对于标注规则的新想法,然后重点介绍了本文使用的2011年竞赛的公开ECG信号数据库（PhysioNet/Computing in Cardiology Challenge 2011,PICC）;第二点,提取了 ECG信号的九种典型的手工提取特征,进行特征融合后使用SVM分类器对ECG信号进行质量评估;第三点,将心电信号的特征由单一的时域或者频域通过时频变换扩展到时频域进行研究;第四点,设计了一个具有两个输入层的CNN网络将两类特征进行融合,其中一个输入层首先将12导联的ECG信号送入S变换层得到其时频表示,使用具有3个卷积块（convolutional block）的CNN网络对其进行自动特征提取,同时另一个输入层输入的包括导联脱落、R峰值和基线漂移的手工特征与卷积网络自动提取的特征进行融合训练。本文提出的方法均使用PICC数据库进行了性能评估,手工提取特征的多特征融合方法以及两类特征的多特征融合方法均获得了使准确度提升的效果。同时,本文首次将S变换应用到ECG信号的质量评估领域,并且提出了将卷积神经网络提取得到的特征和手工提取特征这两类特征进行结合的新方法,最终取得了不错的结果。在未来的工作中,可以将本文的方法在更多的ECG信号质量评估的数据库中进行验证。