目前心血管疾病的发病率因为工作压力、生活习惯、人口老龄化等各种原因呈明显上升趋势,预防和诊治心血管疾病刻不容缓。然而,传统的通过医生观察心电图的变化进行诊断的方法较容易造成不准确的结果,迫切需要通过计算机辅助诊断技术改善传统诊断方法的不足。数据预处理、特征提取和特征处理过程是计算机辅助诊断的三个主要过程,其中,特征提取至关重要。目前很多传统的特征提取方法被用于心电信号的特征提取,但这些方法存在过于依赖经验、模型参数固定,难以实现迁移应用、变换域下计算量大和算法泛化能力不足等问题。近些年,深度学习方法越来越多地被专家用于心电信号特征提取,并取得了显著成效。在以上基础上,基于深度学习方法,研究了两种分别用于心电信号图像特征和数值特征的提取方法,并提出基于自编码器的特征融合方法,用于实现图像特征和数值特征的融合,进一步优化心电信号特征提取算法,从而使得心电信号的分类更加准确。首先,研究了一种基于多级卷积神经网络的心电信号图像特征提取方法,通过引入多级思想改进心电信号特征的提取过程。首先对原始数据划分级别,然后设计三个级别数据对应的卷积神经网络模块,分别提取心电信号的整体级特征、局部序列级特征和局部波段级特征。三级模块提取的特征共同输入到分类网络,然后采用梯度下降法训练整体网络,最终实现心拍的分类。多级卷积神经网络模型综合考虑了心电信号的局部特征、局部时序特征和整体趋势特征,在增加了模型视野的同时保证有效特征丢失的减少,从而促进心拍分类效果的提升。其次,将心电信号的时序信息转换为波段序列信息,并传入循环神经网络,提出波段循环神经网络的特征提取方法。经实验验证,波段循环神经网络更适合对心拍数据进行特征提取。实验结果表明波段循环神经网络和波段双向循环神经网络提取出的心拍数值特征的分类效果更好,其中波段循环神经网络提取出的特征的分类效果要优于一维卷积网络,波段双向循环神经网络的效果要优于卷积循环神经网络。最后,引入自编码器并结合前文工作提出了基于自编码器的心电信号图像特征与数值特征的融合方法。此外,还引入稀疏自编码器和降噪自编码器,通过调整稀疏参数和噪声系数分析不同的限制条件对特征的融合过程所产生的影响。实验结果表明,基于自编码器的特征融合方法所提取的融合特征的可分性最强,其分类效果要优于单独特征的分类效果,加入稀疏性约束可以更好地对区别较大的方法提取出的特征进行融合,加入噪声约束则可以提高融合方法的泛化能力。