心房颤动（简称房颤）在心律失常疾病里发生频率较高,其虽不属于致死性疾病,但易引发患者心悸、头晕等不适症状,严重时将引起心力衰竭、心肌梗死等症状,威胁人们生命健康。目前,国内外对于房颤监测与识别的研究主要是基于心电图（Electrocardiography,ECG）方法。由于心电信号采集仪器具有操作困难、不便携带、成本高等局限性,本文提出通过光电容积脉搏波描记法（Photoplethysmography,PPG）对心房颤动进行监测与识别。PPG信号与ECG信号之间存在强相关性,且PPG信号的采集方法简易,携带方便,更适合于人体健康状态的长期监测。本文所使用的实验数据是基于美国麻省理工学院MIMIC-III公开数据库中房颤患者（通过ECG确诊）与非房颤患者的脉搏波数据,共计收集时长为十秒的脉搏波样本9681例。通过本文对于房颤相关脉搏波特征参数的论证,使用MATLAB程序从经预处理的脉搏波数据中提取出六类房颤相关特征参数作为经典机器学习算法模型的输入。本文选择进行模型构建实验的经典机器学习算法包括:BP神经网络、支持向量机和随机森林算法,经模型优化实验后,三种经典机器学习算法的房颤识别准确率分别达到了94.7%、93.8%、97.1%。本文还尝试运用了深度学习的循环神经网络进行了房颤识别模型设计,经模型结构与参数的优化实验后,其准确率达到了96.8%。最终通过对各模型详细地分析与对比评估,得出在本文实验中随机森林算法模型对于房颤状态脉搏波的识别具有更好的效果。本文还设计了一套房颤状态脉搏波监测与自动识别仪器。这款仪器以STM32F103作为主控芯片,选用HKG-07B透射式脉搏波传感器进行脉搏波信号的采集,将采集到的脉搏波通过SD卡传入PC机中。上位机部分,将经过预处理的数据输入已训练好模型中进行房颤识别,最终结果将展示在使用MATLAB制作的用户交互界面中。本文的研究结果表明,通过PPG信号识别房颤疾病的方法是可行、有效的,本文提出的房颤状态脉搏波相关的六类特征参数,能够有效地区分出房颤状态脉搏波,为今后对于房颤识别的研究提供一种新的思路。另外,本文设计的房颤状态脉搏波识别算法模型与房颤监测识别仪器能够实现更加方便地对心房颤动疾病进行长期监测与自动识别。