近年来,中国的心血管疾病死亡率一直居所有疾病之首,患者人数在未来数年内仍将继续增加。心血管疾病在生活和经济上都给患者带来了巨大的负担。心电图(ECG)可以直观准确地反映心脏的电活动特性和表现心脏的工作状态,是目前临床医生判断大部分心血管疾病的常用参考手段。但是,伴随着心血管疾病患者人数的日益增加以及患者心电图监护数据的增加,完全让临床医生人工根据心电图来判断心血管疾病发生将给医生带来巨大的工作负担,且很容易发生误判和漏判。因此,心电自动分析技术应用于临床心血管疾病的判断逐渐成为当前心电信号处理研究领域的热点。多尺度熵(MSE)因其具有物理意义明确、分析更具有系统性等优点在生物医学信号处理领域正得到越来越多的应用。本文基于多尺度熵对充血性心衰(CHF)和房颤(AF)两种常见心脏疾病进行了特征研究,并提出了一种基于多尺度熵的充血性心衰判别算法和一种基于多尺度熵的房颤判别算法。本文主要研究内容如下:(1)基于多尺度熵进行了充血性心衰的特征研究,并比较了充血性心衰患者和正常人心率变异性之间的差异,发现健康人的多尺度熵的平均值大于充血性心衰患者,这说明充血性心衰患者心电信号的复杂度低于健康人。最后本文基于多尺度熵并结合连续相邻两个RR间期之间差值的均方根提出了一种新的充血性心衰判别算法,我们用MIT-BIH心电数据库中的心电数据验证了本文算法的性能。实验结果表明本文算法的判断准确率达到了91.67%,说明本文算法具有一定的临床应用前景。(2)基于多尺度熵进行了房颤的特征研究,并比较了房颤患者和正常人心率变异性之间的差异,发现健康人的多尺度熵的平均值大于房颤患者,这说明充血性心衰患者心电信号的复杂度低于健康人。接着本文基于多尺度熵和信号功率谱低频段能量与高频段能量的比值两个参数,设计了一种新的房颤判别算法。最后,我们用MIT-BIH心电数据库中的心电数据验证了本文算法的性能。实验结果表明本文算法的准确率、敏感度和阳性预测率分别为93.06%、91.67%和94.29%。