随着经济的快速发展和居民生活方式的改变,我国的慢性病患病率和死亡率出现了迅速上升,已成为城乡居民死亡的主要因素。然而,慢性病的检测过程极其复杂,且需要占用大量的医疗资源,导致众多的患者无法得到及时的诊断和治疗。国务院办公厅于2017年发布了《新一代人工智能发展规划》,提出要构建新型智能医疗体系,开发可穿戴和生物兼容的智能监测系统。由点状监测转向连续监测,实现短程健康管理向长程健康管理的转变,从而达到疾病早发现、早预防、早治疗,而这其中疾病智能检测方法又是重中之重。本文重点对睡眠呼吸暂停和心律失常两种心电信号相关慢性病的检测方法进行研究,其创新性如下:（1）提出了一种基于时间依赖性多层感知器（Multi-layer perceptron,MLP）的睡眠呼吸暂停检测方法（ECG-TD-MLP）。相邻心电信号间存在一定的时间依赖性,而现有方法主要基于当前心电信号的信息进行睡眠呼吸暂停检测,未考虑时间依赖性对睡眠呼吸暂停检测的作用。针对该问题,本研究基于滑动窗口法构建了一个时间特征,利用人工神经网络多层感知器的学习能力提取相邻心电信号间的时间依赖性。考虑到MLP隐藏层节点数对网络性能的影响,过少的隐藏层节点,会导致网络不具有必要的学习和信息处理能力;而过多节点,不仅会大大增加网络结构的复杂性,还会使网络陷入局部极小点,本研究基于Kolmogorov叠加定理对隐藏层节点进行了设置。为了使网络参数更加平稳,在算法优化阶段还利用Adam替代随机梯度下降（Stochastic gradient descent,SGD）对学习率进行调整。所提ECG-TD-MLP方法在Apnea-ECG数据库上获得了87.3%的每段睡眠呼吸暂停检测正确率。（2）提出了一种基于卷积神经网络（Convolutional neural network,CNN）的端到端睡眠呼吸暂停检测方法（ECG-Derived-CNN）。考虑到传统睡眠呼吸暂停检测需要利用人工提取的特征,存在一定的局限性和复杂性。本研究将深度学习中的卷积神经网络引入到睡眠呼吸暂停检测研究中实现特征自动提取。为了避免直接利用心电信号（Electrocardiography,ECG或EKG）导致的过拟合,通过对睡眠呼吸暂停的生理学机理分析,利用心电信号中的派生信号替代原始的心电信号作为卷积神经网络的输入。考虑到全连接层中参数过多,为了减少网络的过拟合风险,在卷积层和全连接层之间还引入了随机失活（Dropout）技术。实验结果显示,与传统机器学习方法相比,所提ECG-Derived-CNN方法可以实现端到端的检测及改善睡眠呼吸暂停的检测性能。（3）提出了一种卷积神经网络和焦点损失（Focal loss）结合的心律失常检测方法（CNN-Focal-Loss）。在心律失常检测中,正常心拍的数量要远多于异常心拍的数量,且不同类别心律失常之间的心拍数量差异也很大。现有的心律失常检测方法主要以追求高精度为目标,未考虑不同类别心拍数量之间的严重失衡,导致大量少数类别心律失常被错分成多数类别心律失常或正常心拍。针对该问题,本研究通过引入焦点损失函数降低简单样本在训练时所占的权重,使模型专注于难分样本,即少数类别样本。考虑到心拍分割导致的RR间期信息不完整,还将人工提取的RR间期特征融合到所提CNN-Focal-Loss方法中。为了加快网络的训练速度及避免优化过程中的梯度消失,在每个卷积层后增加了一个批归一化（Batch normalization,BN）操作。通过MIT-BIH数据库进行测试,所提CNN-Focal-Loss模型不仅获得了较高的预测精度,还有效改善了少数类别心律失常的检测性能。（4）提出了一种小波变换和2D卷积神经网络（2D-CNN）结合的心律失常检测方法（CWT-2D-CNN）。心电信号中不同频率信号的混叠及噪声的干扰,增加了卷积神经网络特征呈现的难度。为了解决该问题,本研究利用小波变换在时频域中优秀的分析能力,对心电信号进行分解,以避免不同频率信号混叠对卷积神经网络特征呈现的影响。为了利用CNN在图像上的强大特征提取能力,将小波分解的系数构建成了一个时频域图,利用2D-CNN对心拍进行特征提取。考虑到心拍分割导致的RR间期信息不完整,还将人工提取的RR间期特征同CNN网络进行了融合。实验结果显示,所提CWT-2D-CNN方法在先前工作基础上进一步提升了心律失常的检测性能。