移动心电监护系统是一种基于移动通信网络的、面向家庭和社区的新型远程心电监护系统。针对心脏疾病的发作具有随机性和危险性的特点，该系统对传输到计算中心的动态心电信号进行实时检测和心脏疾病的自动诊断，为用户提供紧急救护、疾病预警、医学咨询和指导等多种服务，从而保证了用户心电监护的质量。因此，移动监护系统ECG信号实时检测和自动诊断结果的准确性如何，将直接关系到整个心电监护系统性能与服务质量的好坏，甚至和用户的生命息息相关。另一方面，目前心电信号的自动检测和分析方法还存在诸多的不足之处，在理论研究和实际应用方面仍有改进和创新的余地。针对这种现状，论文从移动心电监护系统ECG信号的智能检测和分析方法着手，对动态ECG信号的实时检测、心电信号的多域特征信息的提取、心电信号的自动分类与疾病诊断等问题进行了理论研究和临床实验。论文的主要研究工作和创新点在于： (1) 针对传统差分阈值法检测QRS波群的局限性，提出了利用二阶差分极小值和一阶差分过零点来精确定位心电信号QRS波群的实时检测算法。该算法通过对ECG信号的二阶差分和一阶差分信号进行四点平滑滤波，提高了二阶差分信号和一阶差分信号的信噪比，更有利于信号特征点的检测；具有自适应和自学习功能的检测阈值的设置，提高了QRS波群精确检测和定位的准确率，增强了算法的抗干扰能力和鲁棒性；该算法的对特征波形定位的搜索时间窗不到0.02秒，使其更适合于动态ECG信号的实时处理。通过对MIT/BIH心律失常数据库、模拟动态心电信号、临床动态心电信号进行的测试，QRS波群的检测准确率分别达到了99.12%、99.92％和99.97％，说明该实时检测算法是切实可行的。(2) 首次采用粗糙集理论来提取ECG信号的特征信息。目前心电信号特征信息的提取都是凭经验和研究者的主观臆断，没有理论依据可借鉴。论文采用粗糙集理论的知识表达系统，将ECG的各种信息作为心电知识表达系统的条件属性，把各种ECG信号的诊断结果作为其决策属性，建立了ECG信息的决策表；应用粗糙集的知识约简理论来对决策表的条件属性进行化简，所得的条件属性核就是心电信号的特征信息。由于粗糙集理论具有严格的数学定义，使得ECG信号的这种特征提取方法具有充分的理论依据，提高了特征信息的科学性和可靠性。(3) 对ECG信号进行多域特征信息的提取和处理。针对目前心电信号特征信息的提取仅依靠时域、频域或小波域中某一域的信息，论文基于数据挖掘和数据融合的思想，首次提出了心电特征信息应由患者的静态信息特征子集、ECG信号<WP=6>的时域特征子集、频域特征子集和小波域特征子集构成。论文用粗糙集理论对ECG信号的时域、频域、小波域的特征信息的提取方法进行了详细的阐述，将多域特征子集的并集作为ECG的特征信息集，使其能够更全面、客观、充分地反映ECG信号所代表的疾病信息，提高了特征信息的准确性和完备性。(4) 对基于支持向量机的心律失常自动分类方法进行了研究。针对目前心电自动分类方法存在推广性较差的缺点，论文提出了采用支持向量机来实现ECG信号的自动识别和分类。由于SVM分类器多用于二元模式识别，论文首次提出了具有明确数据流向和逐级识别功能的基于二叉树支持向量机的ECG模式分类方法，并对影响SVM分类器性能的参数设置问题进行了研究。论文还对支持向量机、BP神经网络和径向基神经网络等三种算法的典型心律失常的分类性能和结果进行了比较分析。研究表明，基于SVM的ECG分类优于其它两种分类算法，更适合心脏疾病的自动诊断。