随着工作节奏加速、生活方式变化,患心脏相关疾病的人数屡创历史新高。心电信号作为研究人体健康状态的有效手段之一,能将心脏疾病中的心律失常等异常情况反映出来,是监测人体心脏健康状况的重要窗口。由于心电种类复杂,幅值微弱,如果仅从视觉上对心电图进行主观评估,对医师要求较高,不仅会造成医疗资源的浪费,还易出现误诊现象,所以本文通过创新特征提取算法,对心电信号进行分类研究,提供直观的分类结果,旨在为医生提供临床指导,提高诊断准确率,减少误诊。受人体组织复杂,心电种类繁多,幅度微弱等客观因素的影响,心电信号的识别研究面临较大挑战,目前心电信号的研究主要针对单通道数据,心电信号采集又很容易受到外界干扰,数据的波动性会大大降低数据的可靠性,本文针对上述情况,利用多通道多元数据的优势,提出了一种基于自适应多元多尺度色散熵的心电信号分类研究方案,主要研究内容如下:（1）对心电信号的来源机理进行了详细分析,从预处理、特征提取和分类识别等几个主要方面设计了心电信号的研究方案。（2）分析了使用的数据集特点,提出了一种基于经验模态分解的联合降噪方案。首先应用巴特沃斯滤波器、陷波滤波器分别滤除心电信号中的基线漂移和工频干扰,然后提出一种基于经验模态分解的联合降噪方案滤除心电信号中的肌电干扰。（3）在心电信号处理中发挥多元数据优势,应用正弦辅助的多元经验模态分解算法对两通道心电信号数据进行模态分解,并结合多尺度度量信号特征的全面性,色散熵的稳定性、高效性,以累加多元模态代替传统粗粒化尺度的方式,提出了一种自适应多元多尺度色散熵的特征提取方案,避免了参数设置,保证了特征熵的稳定性,提高了后续分类准确性。（4）应用了支持向量机、K近邻和随机森林三种分类器,在每个分类器上对三种类型的心电信号特征进行分类,验证了提出的自适应多元多尺度色散熵特征提取方案的有效性。基于MATLAB软件平台,设计实验方案,分别利用模拟数据和麻省理工采集的MIT-BIH数据集,对提出方案进行了实验测试和结果分析,结果表明,本文对心电信号分类的研究,能为临床的心律失常识别检测提供实用的思路。