心律失常是一种重要的心血管疾病之一,心律失常的病症可轻可重,症状轻者仅出现头晕、心慌等不适感;症状比较严重的患者可发生猝死。由于部分心律失常具有阵发性的特点,医生无法及时获得相关的心电图信息,因此人们对心律失常实时监测设备的需求也日益增加,心律失常的自动识别研究有助于患者的早筛查、早治疗。本文主要使用深度学习方法进行心律失常的自动识别研究,相比于传统机器学习方法,它可以将原始的心电信号作为模型的输入,模型可以自动学习输入与输出的映射关系。针对目前存在的问题,本文在分类模型的搭建和类别不平衡解决方案两个方面进行了研究,本文主要包含以下两个方面:（1）传统的心律失常自动识别研究中多数需要进行特征选择,由于分类算法的性能依赖于特征的选取,因此本文使用基于残差单元的一维卷积神经网络自主学习心电信号中的有效特征。模型的残差单元包括最大池化部分和残差部分,残差部分由两个卷积层组成。选取MIT-BIH心律失常数据库的12种心律失常作为实验数据,数据集共包含28795个ECG样本。实验结果显示模型对12种心律失常的平均分类表现为94.80%,其中E、L、P、R四类心律失常的F₁-score均超过99.50%。由于F、a、f、j四类心律失常的形态特征不明显且样本数量较少,模型无法学习到有效的特征,导致模型的分类性能下降。模型在i7-6700CPU的环境下识别2880个单心动周期耗时11.42sec,说明了模型的识别速度快,更适用于心律失常的快速检测研究中。（2）针对数据集中类别不平衡导致分类模型的平均分类表现降低的问题,本文首先提出了一种基于深度卷积生成对抗网络（DCGAN）的单类别样本增强方案,实验结果表明当训练集中小样本类别与大样本类别的相对比例为2.5:4时,模型在原测试集的平均分类表现提高至96.33%;其次提出了一种基于辅助信息生成对抗网络（ACGAN）的多类别样本增强方案,实验结果表明当训练集中小样本类别与大样本类别的相对比例为1:4时,模型在原测试集的平均分类表现提高至95.87%。以上实验说明,两种不同的生成对抗网络均可有效解决类别不平衡的问题,其中DCGAN模型适用于小样本类别较少的数据集,而ACGAN模型适用于小样本类别较多的数据集。