低成本医疗设备是农村医疗发展的一个方向，对农村医疗体系的建设具有很大的意义。低成本医疗器械要求医疗器械在保证器械基本功能的条件下，尽可能的降低医疗器械的制造和使用成本。而算法的改进可以推动器械成本的降低，低成本医疗器械要求算法精炼，即使用最小的硬件资源和能源，实现尽可能多的功能。本文以此为目标，采用多种数学方法，在前人的基础上，改进了心电工作站和血细胞分析仪的核心算法。首先,主要采用小波分析和支持向量机方法实现了心电工作站核心算法设计。文中采用了双正交滤波算法对心电信号进行滤波处理，从而去除干扰，为以后的信号处理扫清障碍。利用离散型小波分析方法分解和重构心电信号，文中采用四尺度分解，再从四尺度分解中重构信号，分解时采用Mallat算法，从而实现对心电信号中的QRS波群、T波和P波的识别。另外，本文通过支持向量机算法的实现，使心电工作站具有学习能力，能够针对不同的患者提供个性化诊断。实验表明，通过此种方法，能实现心电信号快速准确的分析，为医疗诊断提供实时诊断依据，同时也大大减少了医务人员的工作量。其次，采用数学形态学等算法，完成了血细胞脉冲信号特征点的识别。文中根据血细胞信号的特点，采用了巴特沃兹滤波器对信号进行预处理，取得了理想的滤波效果。为了准确得到血细胞群相关信息，我们采用数学形态学方法识别血细胞信号中的脉冲，得到脉冲精确的起点、终点和峰值点数据。接着对脉冲信息进行筛选，得到有效脉冲数据，并采用浮动界标实现白细胞群的三分类，最终根据分类结果计算出血细胞群的各个参数。同时，我们也结合非线性最小二乘法和LM算法，对血细胞群分布直方图进行拟合，使得信息的显示和储存更加方便，提高仪器的工作效率。通过实验和各类分析表明，以上算法能够准确地给出患者血细胞群的各类参数，为医务人员的诊断提供全面的参考。通过对两个项目的研究，本文在心电波形检测和心电分类方面取得了理想结果，检测方面实现了对QRS、P、T波的检测；在心电分类方面，本文采用一般的支持向量机方法结合医生诊断结果，让分类器进行自学习形成具有自学习功能的分类器，此类分类器的分类效果很精确。在血细胞仪方面，本文通过三分类算法，绘制出血细胞直方图，并最终计算出临床诊断所需参数，为疾病诊断提供参考依据。对于P、T波是波形识别是难点，期待在未来研究领域会有更精确的算法来实现对其的检测。