J波在心电信号上的出现预示着恶性心律失常、心肌梗塞、心脏性猝死等一系列致命性心脏疾病可能会发生。如何从心电信号中快速准确的检测出J波,给出适当的治疗方案来减少患者死亡率,是医疗界相关研究亟待解决的一个难题。目前研究主要依靠临床医生的经验来判断是否含有J波,无法形成系统的判断标准和客观的分析结果。由于拥有出色的学习能力、较好的泛化能力并擅长处理小样本数据,支持向量机(Support Vector Machine,SVM)已经广泛应用于心率失常、心肌梗死、癫痫、儿童注意缺陷与多动症等许多疾病的自动识别中。本文将SVM引入到J波自动分类识别中,拓宽SVM在医学领域的应用范围,并提出了两种基于SVM的J波自动检测算法,具体内容如下:第一种算法主要包括特征向量的选择及其特征降维和分类,特征选择的过程中主要用到曲线拟合、小波变换、HRV分析方法、波形分析等,特征降维用到了主成分分析方法。在分类的训练阶段,利用相似度寻找少量的类似支持向量,测试阶段使用获得的类似支持向量重新训练SVM并检测其效能。实验仿真比较证明,本算法比原始的SVM有更高的识别率。第二种算法主要包括特征选择及降维、SVM最优参数的选择。在第一种算法的基础上,本文提出了全局特征和局部特征的概念;利用独立分量分析方法对获得特征向量进行降维和融合;在参数的选择上,本文提出一种基于变步长方法自适应的算法来寻找最优的核函数参数?。仿真结果表明,本算法的总体准确率可以达到96.1%。