近年来,我国心血管疾病的发病率和致死率逐年上升。心律失常是心血管疾病早期症状的重要表现,能够及时准确的诊断出异常心电信号具有重要的医学价值和社会意义。心电图是分析心电信号最直接的工具,通过分析心电图可以诊断相应的心脏活动状态。然而,由于心电信号本身的低振幅和不规则特性,人工分析不仅需要依靠医生长期经验的积累,还浪费了医疗资源。因此本文主要利用多尺度小波变换原理和深度学习相结合的方法实现异常心拍的检测。论文主要工作如下:1)针对原始心电信号中存在的多种噪声,本文结合小波变换和多尺度分析原理对心电信号进行去噪处理。根据不同噪声的特性差异,选择合适的小波基函数和分解尺度,在不同频率下进行针对性去噪处理,获取包含有效特征信息的高质量心电信号,为后续的异常心拍检测提供可靠的数据基础。2)为了验证深度学习简化特征提取过程的有效性,并且突出卷积神经网络的心电信号处理优势。本文设计了两种基于人工神经网络和三种基于传统机器学习的异常心拍检测模型。其中卷积神经网络通过内层特性实现自适应的特征提取,减少了人工设定和提取特征的繁琐工作,总体性能有着明显优势。3)为了进一步提高模型检测异常心拍的准确率,设计了卷积神经网络和支持向量机的组合模型。该模型利用卷积神经网络内层卷积、池化运算有效获取局部特征信息进行整合,担任自适应特征提取器,利用支持向量机面对分类问题的强大泛化能力和支持向量特点,来充当组合模型中的分类器,提高异常心拍检测的准确率。该组合模型在最终整体性能上得到提升,同时还继承了支持向量机的鲁棒性。