随着经济和生活水平的上升,人们开始更加关注自身的健康水平。在我国,心血管疾病是造成居民死亡的首要原因,因此对心血管疾病的预防、诊断以及治疗受到了广泛的关注。在心血管疾病的诊断方法中,最重要、使用最广泛的是依靠心电图对心电信号进行分析。病人需要去医院利用专业的采集设备获取心电信号,再由医生进行心血管疾病的诊断。近年来智能穿戴设备的发展使获取心电信号更加容易和方便,但这些便携式设备产生的大量心电信号仍需要由医生进行诊断,因而加剧了医生的工作量。这一问题可以利用人工智能辅助诊断的技术加以解决。通过机器学习或深度学习技术,不需要专业医生的参与即可对心电信号做出诊断;通过对算法进行硬件化,可以将自动诊断系统便携化,提高心电信号诊断的实时性,方便患者使用。本文利用深度学习技术提出了对两种常见的心血管疾病——房颤与心律不齐的检测和分类算法,并对其中心律不齐的分类算法进行了硬件化。主要内容具体可分为以下几个方面。第一,在对心律不齐的分类任务中建立了基于一维卷积神经网络（Convolutional Neural Network,CNN）的监督学习算法。该算法在经典的残差卷积神经网络（Res Net）的基础上,使用不同尺度的空洞卷积（Atrous Convolution）建立了多个特征提取通道。相比于普通的多尺度卷积操作,空洞卷积的引入在不影响分类效果的同时显著降低了参数量,有利于模型的轻量化,使其更容易部署到硬件端。为验证其分类效果,本文在来自上海某医院的实测数据库上进行了模型的训练和验证。结果显示模型在心律不齐四分类任务中取得了0.8913的F1值,证明了模型在实测心电数据的心律不齐诊断任务中具备有效性。其中F1值是召回率（Recall）与准确率（Precision）的调和平均数,是综合考虑错检和漏检的指标。第二,本文针对未经处理的心电信号数据量大、拥有心血管疾病标签的心电信号数据量少的问题,提出基于心电压缩技术的非监督学习方法,并将其应用到房颤的检测任务中。目前,人工智能应用于心电信号分类领域存在一个重要问题:含有心血管疾病标签的开源数据库较少,其包含的病人数量也较少,基于这些数据库训练的神经网络模型难以避免产生过拟合现象,导致运用于实际分类任务时效果不好。解决该问题的方法之一是迁移学习,先使用大量的无标签心电信号数据进行模型的预训练,再迁移至有标签的经典开源数据库进行分类任务的学习。本文设计了利用卷积自动编码器（Convolutional Auto Encoder）在上海某医院的实测数据上进行心电压缩的预训练任务,通过卷积编码——反卷积解码的方式训练前层卷积神经网络的特征提取能力。来自大量不同被测者的训练数据能降低模型的过拟合程度。然后用该模型在PhysioNet CinC 2017房颤分类数据库上进行房颤检测任务的再训练。本文设计并进行了对比试验,以比较使用非监督学习预训练任务与不使用非监督学习预训练任务的同一神经网络模型在PhysioNet CinC2017数据库上的房颤检测效果。实验结果表明该心电压缩预训练任务能为一维卷积神经网络在测试集上带来4.83%的F1值提升。最后,针对本文提出的心律不齐分类算法的轻量级模型,进行了模型的便携式硬件实现,将训练好的模型部署于小型化硬件设备上,可以实现对输入心电信号的心律不齐四分类。若加入前端采集模块则可实现涵盖从心电信号采集到心律不齐分类全过程的便携式硬件设备。本文的工作包含了从心血管疾病的单类别检测到多类别分类的智能诊断算法研究,以实现算法的硬件化为目标针对性的设计了轻量级的、能用于实测数据心律不齐分类的神经网络;以增强心电智能诊断算法的实际适用范围为目的设计了以心电压缩任务为上游任务的非监督学习算法和网络;将设计出的用于心律不齐四分类任务的神经网络部署到硬件端。将本文工作与智能穿戴采集设备及远程传输技术相结合,有望在心血管疾病的智能医疗领域发挥一定作用。