随着人口老龄化日益加剧和不健康生活方式的盛行，我国各类心血管疾病的患病率与日俱增，现有心血管病患病人数约3.3亿，死亡率更是居高不下。房颤(AF)和一度房室传导阻滞(I-AVB)是两类常见的心律失常疾病，与很多心脑血管疾病的发病有很大关系，因此AF和I-AVB的预防、诊断与治疗十分重要。随着可穿戴式心电设备的发展，通过算法自动识别心律失常疾病将会是必然趋势。本文研究通过数据挖掘技术对AF和I-AVB的心电信号进行分析与处理，借助机器学习算法构建两种疾病的识别模型，希望能够做到尽早的对AF和I-AVB疾病的识别，提升患者的生活水平和减轻医疗机构的负担。
　　本文在MIT-BIH AF数据库和2018年中国首届生理挑战赛(CPSC2018)数据库上，有效的将P波和RR间期特征结合并建立了基于P波和RR间期特征的AF单一识别模型，同时将在传统AF识别的基础增加对I-AVB的识别即搭建起有效的AF和I-AVB的多类识别模型。主要研究内容和结果如下:(1)基于房室活动的AF识别模型研究。研究并提取了AF信号的11个短时特征:房颤熵、样本熵、系数样本熵和8个心房活动的统计学特征。选择使用高斯核的支持向量机作为分类器，并使用网格搜索算法对模型的超参数进行寻优，以所研究的11个诊断AF信号的短时特征构成输入特征向量，构建AF疾病的识别模型。
　　(2)基于支持向量机的AF和I-AVB识别模型的研究。对所研究的特征进行了非显著性检验并将符合条件的特征构成输入特征向量，使用高斯核的多分类支持向量机分类器搭建了AF和I-AVB的识别模型。
　　(3)基于深度学习的AF和I-AVB的识别模型研究。借助卷积神经网络(CNN)，将原始心电信号作为输入，搭建了基于CNN的多输入的AF和I-AVB疾病的识别模型。结果对比表明:基于CNN的AF和I-AVB识别模型的性能要优于基于机器学习的AF和I-AVB识别模型。在CPSC2018数据库上模型测试结果87.73的准确率，87.39％的灵敏度，93.91％的特异性和87.30％的F1值，该结果优于当前公开的绝大部分结果。同时模型在ROC曲线和AUC值上表现也较好。表明基于CNN的AF和I-AVB识别模型具有一定的研究价值，对建立多种心血管疾病识别模型具有一定的参考价值。