在健康监测和远程医疗中,心电图（Electrocardiogram,ECG）是心脏类疾病检测和诊断的常用工具,通过对ECG信号的异常变化分析可判断疾病的类型和发病位置。但是,ECG信号在获取过程中极其容易受到各种类型的噪声影响,这造成一些重要的病理信号特征常被噪声干扰,从而导致诊断的准确率下降甚至误诊。因此,心电信号降噪十分重要。尽管心电降噪已有很多方法,但是由于有效的ECG信号频谱与噪声频谱在变换域中经常重叠,使传统降噪方法的降噪性能难以提高。随着大数据医疗技术的发展,患者的海量数据为深度学习方法提供了研究的数据源,近年来,基于深度学习的心电降噪研究应运而生。然而这些方法依赖样本的挑选,并且降噪效果仍然需要提升。生成对抗网络（Generative Adversarial Net,GAN）作为新兴方法在图像处理领域已获得很多成功应用,本文将其引入心电降噪任务中并对该方法如何构建更优的模型展开研究,并通过一系列的实验对该方法的降噪性能进行了分析。论文围绕以下工作开展研究:（1）本文提出了一种基于生成对抗网络的心电信号降噪算法,即AE-GAN（Auto-encoder GAN）。该方法具有对抗性训练的优势,生成器和判别器可以通过博弈自动完成整个网络参数的更新。训练完成后,将最优的生成器模型保存得到降噪器。含有噪声的ECG信号经过该降噪器处理就可以输出与原始心电信号基本一致的降噪信号,从而完成整个降噪过程。（2）针对AE-GAN算法中隐藏层层数过深带来的过拟合问题,提出两种优化模型提高降噪效果。这两种模型分别基于循环网络与卷积网络构建,即 RAE-GAN（Recurrent Auto-encoder GAN）和 CAE-GAN（Convolutional Auto-encoder GAN）。基于RAE-GAN的复杂非线性单元可以构造更大的深度神经网络,使生成器更适合于处理心电数据,提高了降噪的精度。基于CAE-GAN的心电降噪网络在卷积层潜在的高级特征表示中保持空间局部性和输入邻域关系,使低维样本包含尽可能多的噪声和心电信号信息,从而减少了网络层节点的数量,简化了算法的计算复杂度。通过与前沿方法的对比,本文所提基于CAE-GAN的降噪算法可以获得更优的降噪效果。（3）为证实方法的有效性,本文还实施了一系列实验探究CAE-GAN的性能。R峰检测实验结果证明本方法能够有效地保留R峰信息。对疾病的SVM分类实验结果表明,降噪处理后的心电信号仍然具备医学价值。在新导联和新记录数据集上的实验结果也证实了该方法的泛化能力。总之,CAE-GAN方法具有出色的降噪性能。综合来看,本方法不仅可以去除单一噪声及混合噪声,而且降噪后的信号仍然保留ECG信号的相关信息。虽然本方法取得了不错的降噪效果,但是接下来还需在实际系统中进一步验证本方法的性能。