心脏疾病危害人类健康,是造成人类死亡的主要原因之一,长期以来,心脏疾病研究一直是医学界的重要课题。因为非侵入、经济、便捷灵活的特点,心电图成为了临床上重要的常规检查手段。但是,考虑到心电图的个体性差异和心脏疾病信息分析的复杂性,现有的心律失常自动分类算法在分类准确率等方面的表现并不理想,无法满足大量心电数据辅助诊断的需求。此外,大量重复的心电图识别工作还容易使医生产生疲劳,引发误诊。近年来,随着大数据和人工智能的发展,研究人员对心电信号分析与心律失常的自动诊断进行了大量的研究。心电信号中通常会包含各种噪声,为心电图的识别带来一定的困难。并且,随着心电图数量的增加,心律失常波形变得更加复杂,传统的心电信号波形检测方法以及心律失常特征提取难以更好地完成心律失常自动诊断的任务。因此,研究高效、准确的心律失常自动诊断算法具有重要的临床应用价值和科学意义。本文利用深度学习算法,围绕心电信号预处理、波形检测和房颤等心律失常自动分类方法展开研究,主要研究内容如下:首先,本文分析了心电信号噪声分布特点,结合均值滤波与小波变换阈值法对心电信号的基线漂移、工频干扰和肌电干扰等高低频噪声进行去除。实验表明,本文使用的心电信号去噪算法能够有效地去除各类主要高低频噪声,最大限度的保留心电信号的原始波形特征。本部分的工作为后续的心电信号波形检测和心律失常分类奠定了基础。其次,在心电信号去噪的基础上,进一步围绕心电信号的短时QRS波群检测展开研究。借鉴图像分割技术的思想,本文提出了一种基于U型网络和双向长短期记忆网络相结合的短时QRS波群检测算法。结合U型网络的概率输出,使用平滑标注的注释重标注方法,改善了R波波峰标注不平衡的问题。相比经典的Pan-Tompkins算法,通过通道变换简化了前期复杂的QRS波群处理过程。在公开的心律失常数据集上的实验表明,本文提出的短时QRS波群检测算法能够实现更加准确的QRS波群检测,解决了经典的Pan-Tompkins算法处理短时QRS波群检测不理想的问题。再次,基于有效的QRS波群检测算法,进一步围绕单导联房颤的检测展开研究。通过对房颤检测输入信息的分析发现,只使用心房或心室活动信息不能很好的表示房颤的特征,房颤检测的准确率受到严重影响。针对上述问题,本文结合心房和心室活动的整体信息作为房颤检测的输入。为了更好的自动提取房颤相关特征信息,将每个分割出的心拍变为二维的时频图,再将5个连续的心拍进行组合构成一个三维的输入,在此基础上,提出了基于连续小波变换和二维卷积神经网络相结合的单导联房颤检测算法。相比传统的只使用心房或心室活动信息的房颤检测算法,本文提出的算法仅使用5个心拍就能够实现更加准确的房颤检测,对算法扩展到临床应用具有重要价值。最后,进一步将单导联一种心律失常（房颤）检测拓展到12导联多种心律失常分类,本部分提出了一种基于残差网络与双向长短期记忆网络相结合的12导联多种心律失常分类算法。通过前期对心电信号截取或补长进行数据长度的统一,然后利用数据复制解决数据扩增和数据平衡的问题,避免了模型的过度拟合。利用残差网络数据压缩和局部特征提取的能力,结合双向长短期记忆网络提取全局特征的能力,更好地解决了复杂而繁琐的人工特征提取问题。在心律失常数据集上的分类结果表明,本部分提出的方法可以实现准确的多种心律失常的自动分类。