当今社会,人们的生活与工作节奏加快,随之带来的压力越来越大,导致心律失常患者的比例逐年提升。心律失常是一种常见的心血管疾病且不易被发现,心律失常的诊断需要具备心电知识的专业医生观察48小时的动态心电图来确认。然而,人工诊断心律失常过于耗时耗力,且要求医生具备丰富的心电病理知识和心电疾病诊断经验。因此,设计出一种基于心电图的心律失常的分类算法辅助医生诊断是十分必要的。目前,众多研究者提出了大量基于心电图的心律失常的分类算法,但这些算法存在些许不足:首先,心律失常数据库存在数据不平衡和数据噪声大的问题,部分心律失常分类算法针对这类数据分类效果不佳。其次,大部分心律失常分类算法仅仅使用了单一导联心电信号特征,未能利用多导联心电信号之间相关性特征,因此提取特征不够充分,分类准确率仍有提升空间。为解决上述问题,本文进行了如下的研究内容:（1）搭建了一种双向长短期记忆网络和残差网络组成的混合网络模型ResNet-Bi LSTM-FL,对MIT-BIH心律失常数据库中的五类不同的心电信号类型进行自动分类识别。残差网络作为卷积网络的一种,具有较强的噪声鲁棒性,能够有效提取心电信号的局部特征,而双向长短期记忆网络能够关注心电信号的全局特征,两个网络互补组成本文提出的ResNet-Bi LSTM-FL。实验对比表明,提出的模型具有良好的噪声鲁棒性,焦点损失的加入能够增强模型处理倾斜数据的能力,提高分类精度。此外,ResNet-Bi LSTM-FL与心律失常分类领域广泛应用的分类算法进行对比,取得了99.31%的总体准确率,优于其他分类算法。（2）针对ResNet-BiLSTM-FL提取到的特征不够充分,仅使用单一导联数据,数据量较少的类别识别精度不高的问题,提出一种基于多导联心电信号特征融合的心律失常分类算法ResNet-DCA。算法流程如下:首先,通过ResNet提取每个导联深层特征。然后,利用判别相关分析算法最大化双导联心电信号的特征相关性以实现双导联特征融合。最后,应用支持向量机分类器对特征集进行分类。针对MIT-BIH心律失常数据库中的五类不同的心电类型信号,提出ResNet-DCA算法的识别总体准确率和F1值高于ResNet-Bi LSTM-FL。此外,通过对比其他参考文献的分类算法,本文提出的ResNet-DCA算法的具有良好的性能。