心血管疾病使得人类健康受到严重威胁,堪称为“头号杀手”,同时给医疗卫生系统带来了巨大的负担,并呈现逐年增长的态势。心电图(electrocardiogram,ECG)能够显示心脏状况信息,反应人体心脏健康状况,在临床上被广泛用于心血管疾病诊断。近年来,得益于硬件设备的发展,使得深度学习技术取得极大进步,使得一些传统机器学习算法被替代进而成为行业的主流,在计算机视觉、语音识别等方面取得了丰硕的成果。及时发现、预防心脏病发生能有效降低死亡率,将深度学习技术应用于ECG检测与分类识别,对预防和诊治心脏疾病有着重大意义。本课题以心律失常识别为核心,并对心律失常识别的流程、心电图理论、心律失常疾病做了基础性介绍。本文以CCDD心律失常数据库作为研究对象,将深度学习技术应用于多导联ECG心律失常识别。本论文的创新及研究工作主要有以下两大方面:针对传统的心电信号自动识别诊断技术算法严重依赖手动提取特征,单尺度神经网络提取特征信息不够丰富且多尺度卷积网络融合未考虑各尺度价值不同、重要性不同问题。本文将二维卷积网络的卷积核改为一维卷积核,首先设计了适用于多导联ECG的多尺度特征融合卷积网络模型MSCNN,并对该模型进行优化改进,融入注意力机制,提出了用于多导联ECG的MSACNN模型。实验表明,MSACNN模型在多导联ECG心律失常识别四分类任务中准确率达到94.41%,优于单尺度模型和MSCNN模型。针对MSACNN等模型将多导联心电图数据当作二维单通道数据处理,在不同导联采用相同的卷积核,相对来说侧重导联共性特征,这并没有考虑到通道之间相关性,也没有考虑到导联之间融合特征。为此,本文设计了另外两种多导联识别模型,分别是侧重导联融合特征和通道间联系的特征的模型。为了探究哪一种组合融合方式比较好,本文使用两种特征融合方法,共8种组合模型,分别构建了基于全连接和注意力机制的多导联ECG多特征融合的卷积神经网络。通过对比试验,在四分类和正异常二分类上,发现融合模型的结果均进一步提升了分类效果,准确率分别达到了 95.24%和98.26%,验证了本文方案的有效性,提供了一种新的思路。