心脏病是导致人类死亡的主要疾病之一，心电图监测是最有效的预防心脏病的方法。心律异常是反映心脏活动稳定性的一个重要指标。尽早地识别出心律异常的类型可以及时地对病人的病情做出判断与预测，对进一步的治疗和及时地抢救是非常重要。以往的研究中对心律异常心电信号的模式识别主要运用了直接提取形态与时间间隔特征、小波变换、Hermite表示等特征提取方法，取得了一定的成果。本文中我们主要针对心律异常心电信号进行研究，探讨比较了传统的心电模式分类方法，提出了利用独立分量分析(ICA)并结合主分量分析(PCA)和小波变换(WT)技术进行特征提取，对不同类型的心律异常信号进行模式分类的算法。本文利用了MIT-BIH心律异常数据库，提出了一种通过对已有数据样本的学习能够有效识别正常心电信号和MIT-BIH数据库中主要的13种心律异常心电信号的方法。 独立分量分析(ICA)是一种从多维观测信号中提取统计独立成分的信号处理技术。该技术现已在生物医学、语音识别、雷达信号处理等众多领域引起极大的关注。本文提出了两种基于独立分量分析的心律异常心电信号特征提取方案：一种是为心电周期信号学习统计独立的特征基函数，另一种是为心电周期信号学习统计独立的特征表示。通过实验我们证明了对于心电识别问题这两种方案的有效性，并且他们有着各自的特点。 另一方面文章中还提出了通过多种特征提取方法获得超完备特征集合，使不同的特征提取方法的特点相互补充，从而得到对原始信号更为全面丰富的特征表示。由于这样的做法同时也将各种特征提取方法所得