J波是心电图中QRS波群结束与ST段开始交叉点附近产生的顿挫状波形。临床医学显示J波变异常会引发心律失常、心源性猝死等心血管疾病而威胁人类生命。因此采用技术手段提高J波疾病的诊断效率,降低J波相关疾病的致死率具有重要研究意义。针对以上问题,本文应用机器学习技术实现J波信号的自动分类。研究的主要内容包括:(1)提出时频域多尺度递归分析的J波检测方法,实现心电信号中J波心拍的高精度识别。从合作医院获取相关数据并完成数据库的构建、预处理等操作后,本文使用调Q小波变换实现信号的时频域多尺度分解,应用动力学递归分析方法提取代表分解系数相似性的定量特征,在结合t检验、序列浮动前向选择算法完成特征筛选后,将保留特征输入细菌觅食优化算法优化的最小二乘支持向量机分类器,实现对正常心拍和J波心拍的高效识别。(2)提出采用多层分类器与多角度特征融合的J波分类方法,在完成J波识别的基础上,实现J波良、恶性的区分。该方法从时域、频域、时频域三个分析空间分别获取不同的特征,提高信号表达的丰富性、全面性。这些特征经特征优化、系数加权完成特征融合,组成最终分类特征集后,输入至由最小二乘支持向量机构成的二层分类构架中,在第一层分类器实现J波预检测功能,在第二层分类器完成第一层J波子类即良性J波与恶性J波的细分。实验证明,本文提出算法在实现J波心拍预检测时,获得了97.2%的平均准确度。并且,在后续J波良性与恶性的细分上获得的平均分类性能也达到了80%以上。由此,本文算法能作为一种有效的J波辅助分类工具,可以在一定程度上为临床医学J波相关疾病的诊断提供一定帮助。