心血管疾病是影响人类生命健康的重大疾病之一,且其发病率和死亡率呈逐年提高的态势,因此加强对心血管系统健康状况的监测成为一种刚性需求。随着硬件技术的快速发展以及5G技术的逐渐普及,使用可穿戴式心电设备监测实时动态心电信号成为可能。但是由可穿戴式心电设备获得的动态心电信号数据量非常庞大,并且其中一部分受严重的噪声污染无法用于临床诊断,因此对获取的心电信号进行质量评估具有很重要的现实意义。使用深度学习的方法对心电信号进行质量评估一直是智慧医疗领域研究的热点课题,但是作为一种数据驱动的方法,由于心电信号独特的噪声类型等原因,现有的深度学习方法可能并不完全适用于心电信号的质量评估。本文在查阅大量相关资料的基础上,从心电信号的特征提取和神经网络建模两点出发,提出了基于希尔伯特黄变换和密集收缩网络的心电信号质量评估方法。其中,希尔伯特黄变换具有较强的自适应性和完备性,在处理非线性、非平稳信号时具有较大的优势,能够充分的表达心电信号的时频信息。密集收缩网络是在密集连接网络的基础上加入收缩单元构成,能够在保持特征有效利用的同时减轻特征冗余的问题,从而提高分类准确度。为了验证基于希尔伯特黄变换和密集收缩网络的心电信号质量评估方法的有效性,论文主要开展了以下具体工作:（1）特征提取方面:从原理上对短时傅里叶变换、小波变换、S变换以及希尔伯特黄变换进行了分析,同时概括了各个变换方法的优点及缺点。本文以时频分析方法作为变量开展了一组对比试验,结果显示,使用希尔伯特黄变换进行时频分析的模型获得了最高的91.48%的准确度,证明了希尔伯特黄变换能够充分的表达心电信号的时频信息,适用于心电信号的质量评估。（2）神经网络建模方面:从原理上对卷积神经网络、残差网络以、密集连接网络以及本文提出的密集收缩网络进行了阐述,同时分别概括了各个网络模型的优点及缺点。本文以神经网络模型作为变量开展了一组对比实验,结果显示,本文所提出的密集收缩网络模型获得最高的93.58%的准确度,证明了本文所提出的密集收缩网络模型在心电信号质量评估中的有效性。本文提出基于希尔伯特黄变换和密集收缩网络进行心电信号质量评估的方法取得了较为理想的实验效果,但是仍存在一定的不足。在未来的工作中,我们将尝试使用更大的数据库、更丰富的专家特征进行实验,同时对模型进行优化以降低复杂度。