本文提出了一种用于心律失常分类的算法，该算法结合了线性判别分析（Linear Discriminant Analysis, LDA）进行特征降维，以及基于支持向量机（Support Vector Machine, SVM）的分类器。首先，通过小波变换从预处理后的信号中提取了17个原始输入特征，随后利用LDA将这些特征降维至4个新的特征，即原始特征的线性组合。实验结果表明，采用LDA降维后输入SVM分类器的特征，其分类性能优于使用主成分分析（Principal Component Analysis, PCA）降维的结果，甚至优于直接使用原始特征的情况。在交叉验证实验中，该SVM分类器与多层感知机（Multilayer Perceptron, MLP）及模糊推理系统（Fuzzy Inference System, FIS）分类器进行了对比。当所有分类器均使用相同的降维特征时，SVM分类器在整体性能上全面优于其他两类方法。具体而言，对于正常窦性心律（NSR）、房性早搏（APC）、室上性心动过速（SVT）、室性早搏（PVC）、室性心动过速（VT）和心室颤动（VF）六类心律失常的识别准确率分别达到99.307%、99.274%、99.854%、98.344%、99.441%和99.883%。此外，在训练数据量较小的情况下，SVM分类器仍表现出优于MLP分类器的性能。