目的：心电信号作为反映心脏状况的科学依据，对其自动分类是当前实现心脏疾病自动诊断的基本思路。一方面，目前用于检测心电波形的方法较多，但由于波形形态多样且易受噪声干扰，波形检测准确率较低，不利于心电形态学特征的提取；另一方面，现阶段针对心电信号分类的算法较少，且分类效果不佳。因此，本研究尝试构建一种算法提高波形检测准确率，实现对心电信号的快速分类。方法：本研究在运用平滑滤波的方法对心电信号进行基线调整后，采用了基于滤波和阈值检测的PT算法检测R波；基于临床医学知识校准，利用两个移动平均线确定兴趣块寻找波峰的方法标记P波、T波。进而得到P波波峰值等6个心电形态学特征值。之后，我们引入了基于加性模型迭代式优化指数损失函数的Adaboost多分类算法，以神经网络为弱分类器，以提取出的特征值和临床医师的诊断结果为训练集，通过最小化指数损失函数和更新样本权重，构建出基于心电形态学特征提取的心电信号分类器。结果：本研究提高了心电波形检测的准确率，并对心电信号初步实现了左束支传导阻滞等4类常见心脏病分类。运用MIT-BIH心律失常数据库和QT数据库检测算法，结果显示R波的平均灵敏度为99.4%和平均阳性率为99.4%，P波的平均灵敏度为95.4%和平均阳性率为96.7%，T波的平均灵敏度为96.7%和平均阳性率为98.1%。结论：基于心电形态学特征提取，利用Adaboost算法实现心电信号分类的研究鲜有报道，本研究能够准确检测心电波形，初步实现对心电信号的快速分类，为心脏疾病的自动诊断提供了一种算法基础，在医学人工智能领域具有一定的应用前景。