近年来,心血管疾病因其极高的发病率与死亡率,而受到社会的广泛关注。在心血管疾病发生的早期,往往伴随着心律失常现象,若能够及时、准确的判断心律失常状况,就能尽早预防心血管疾病的发生。在临床检测中,医护人员通过分析心电信号生成的心电图诊断心律失常,这种人工诊断心律失常的手段,存在漏诊,误诊,且诊断效率低下的问题。因此,为了有效预防心血管疾病的发生及改善人工诊断中存在的问题,设计一种心电信号自动诊断算法十分具有研究意义和社会价值。心电信号自动分类中,分类效果往往受到噪声的影响,且目前多数分类方法是基于样本数量大的心律失常进行分类的,对样本数量较少的心律失常分类效果较差。针对上述问题,结合小波变换算法与中值滤波算法对心电信号进行预处理,设计了基于深度学习的孪生卷积神经网络的特征提取器,将特征提取器与分类器融合,实现了对少样本心律失常数据的分类,提升了分类准确度,主要工作内容如下:（1）结合小波变换与中值滤波的心电信号预处理。对比不同小波基函数及阈值对心电信号的除噪效果,选择sym6与Stein无偏估计阈值的组合,减缓信号中的高频噪声。对于使用小波变换除噪无法处理基线漂移的问题,结合中值滤波算法,对低频噪声产生的基线漂移进行滤除,心电信号质量得到改善。（2）对于心电信号中特征提取的问题,引入孪生神经网络框架,基于卷积神经网络结构设计其子网络,搭建一种孪生卷积神经网路。根据样本对生成算法,构建数据对来扩充孪生卷积神经网络的训练数据。训练后,修改该网络的结构,生成特征提取器,该特征提取器能够将不同类型的心电信号映射在特征空间的不同位置,从而有效提取心电信号特征。（3）针对训练样本较少时传统神经网络作为分类器无法准确对心电信号进行分类的问题,将特征提取网络分别与基于度量的分类器、支持向量机分类器融合,搭建了两种分类模型,并通过与相关实验对比,说明了提出的分类模型能够提升少样本心电信号分类的准确度,证明了模型的有效性。