心电图（ECG）是临床实践中使用最广泛的生理信号,用于诊断心律失常和心肌梗塞等心血管疾病。对于心电图,医生人工解释非常耗时,并且难以检测长期心电图或动态心电图记录中的细微变化。因此,使用计算机辅助诊断（CAD）系统自动识别心律失常是研究的热点,能够有效地降低心脏病患者的死亡率。在心电信号预处理方面,因为有效的去噪方法可以对心电信号进行良好的预处理,所以ECG去噪一直是有关研究的主要领域之一。经过去噪后的心电信号可以提取最大数量的有效和有意义的病理信息,并能最大限度地提高后续心电分类过程的各项指标。本文提出了一种融合经验模态分解（EMD）和离散小波变换（DWT）的自适应阈值去除ECG噪声的新方法,并通过文化算法对去噪流程进行优化。基于MITBIH心律失常心电数据库、MIT-BIH室上性心律失常心电数据库以及INCART心律失常心电数据的仿真实验,计算出性能评价指标信噪比和均方误差。针对现有心律失常公开数据库心电数据数量少且类别不平衡的问题,本文提出了一种基于改进生成对抗网络的数据增强方法,实验结果表明提出的方法能有效改进数据间不平衡的问题。在心律失常心电分类方面,从基于传统机器学习和基于深度神经网络两个方向进行研究,本文的主要贡献为:1)使用离散小波变换,经验模态分解和变分模态分解（VMD）算法提取心电信号中的时域和变换域特征,使用特征选择方法根据特征的权重对特征进行排名,从而降低分类过程计算复杂度并提高了分类准确性。使用机器学习算法将排名集特征分类为不同类型的心律失常症状,提出了一种新的方法,该方法包含基于RR间隔,DWT,EMD和变分模态分解的多域特征,根据AAMI标准对心律失常心拍进行分类。采用卡方检验和粒子群搜索算法对特征集进行排名,并使用随机森林分类器对特征集进行分类,最终将分类精度在卡方检验中提高到99.22%。（2）提出了一种基于深度神经网络的两步分类法用于识别异常心拍并进行心律失常检测。第一步,提出了一个深度双通道卷积神经网络（D-CNN）对除S类和正常心拍外所有心拍类别进行分类。在第二步,提出了一个中心LSTM网络（C-LSTM）用于区分S类心拍和正常心拍,提出的C-LSTM网络学习提取心拍及其相邻心拍之间的隐藏时间信息,并区分出两种心拍类型之间的深层差异。（3）针对可穿戴设备对于模型轻量化、计算硬件要求低、泛化能力强的需求,提出一种基于LSTM网络的Deep LSTM网络。这种用于实时ECG异常检测的灵敏轻量级模型,与用于分类和诊断的特定且计算量较大的模型结合,是当前医院门诊进行ECG分析的有效手段。通过大量的实验,对所提出的方法提供了一个全面的评价。结果表明,本文对心电信号预处理和心拍分类的研究为心律失常检测提供了实用的思路和解决方案。