心电逆问题的本质就是依据体表电位对心肌跨膜电位进行无创重构，而且重构获得的跨膜电位相对于体表电位来说电位信息更精确，更能准确生动的体现心脏的电位变化，可以提高心脏疾病检测的准确性。心电逆问题研究是根据体表电位来逆推获得心肌跨膜电位分布的研究，可以看作是同时具有多个输入值和多个输出值的回归问题，也就是将多个体表的电位值回归逆推获得心脏跨膜电位的多个输出值，本文通过极限学习机(ExtremeLearning Machine, ELM)算法来实现心电逆问题的求解。首先第一组实验利用心脏表面源模型的方法来构造心脏躯干模型，通过心电仿真模型来获取在体表和心肌跨膜的电位。其次第二组实验利用ECGSim软件来获取心脏预激综合症体表和心脏电位信息。为了能够使极限学习机可以具有更好的逼近能力和适应能力，需要对其算法中的参数实行最优化的选择。本文中，主要利用差分进化算法(Differentialevolution,DE)来对极限学习机中的参数进行有效的选取，使极限学习机的回归模型实现最优化，参数选择完成后就可以构建有效的回归模型以及根据体表电位对心肌跨膜电位的分布进行比较准确的预测。在心电逆问题研究中，我们对心肌跨膜电位重建算法（包括SupportVector Regression,SVR、ELM、ELM-kernel）的预测结果进行全面的比较分析，最后得出对模型构建最准确的一种算法。实验结果表明，在对心肌跨膜电位分布进行预测和重建过程中，上述中的四种算法都对心电逆问题进行求解。但是，相对于SVR算法，ELM和ELM-kernel算法重构的效率最高；相比于ELM算法，在心肌跨膜电位分布重建过程中，基于RBF（Radial Basis Function）核函数的极限学习机（ELM-kernel）精度更高、适应能力更强、能够重构更加准确地心脏跨膜电位分布。