Dans cet article, nous proposons un algorithme de classification des arythmies, combinant une réduction des dimensions des caractéristiques par analyse discriminante linéaire (LDA) et un classificateur basé sur les machines à vecteurs de support (SVM). Dix-sept caractéristiques d’entrée originales ont été extraites à partir de signaux prétraités par transformation par ondelettes (wavelet transform), puis une tentative a été faite pour les réduire à quatre caractéristiques, représentant des combinaisons linéaires des caractéristiques initiales, grâce à la LDA. Les résultats montrent que la performance du classificateur SVM utilisant les caractéristiques réduites par LDA est supérieure à celle obtenue avec la réduction par analyse en composantes principales (PCA), ainsi qu’à celle obtenue avec les caractéristiques d’origine. Dans le cadre d’une procédure de validation croisée, ce classificateur SVM a été comparé aux classificateurs à perceptron multicouche (MLP) et au système d’inférence floue (FIS). Lorsque tous les classificateurs ont utilisé les mêmes caractéristiques réduites, le SVM a démontré une performance globale supérieure à celle des autres. En particulier, les taux de précision de discrimination pour les rythmes sinus normal (NSR), la contraction auriculaire prématurée (APC), la tachycardie supraventriculaire (SVT), la contraction ventriculaire prématurée (PVC), la tachycardie ventriculaire (VT) et la fibrillation ventriculaire (VF) ont atteint respectivement 99,307 %, 99,274 %, 99,854 %, 98,344 %, 99,441 % et 99,883 %. De plus, même avec un ensemble d’apprentissage réduit, le classificateur SVM a offert une meilleure performance que le classificateur MLP.