心电信号的特征波能反映出心脏的生理状态信息,对于心血管疾病的辅助诊断特别是心律失常的检出有着重要意义。在心律失常自动诊断系统中,定位心电图中的P、QRS、T这些特征波是首要任务。心律失常是非常重要的心血管疾病之一,临床上多使用心电图来对心律失常进行判定。但是面对海量的动态心电图数据,医生很难一直保持高水平的判定,漏诊和误诊都会给病人带来非常大的损失,因此使用计算机辅助诊断心律失常便成为了当下研究的重点。诊断心律失常疾病时,每个病人之间的个体差异比较大,这对于心律失常自动判别算法是一个非常大的挑战。如何设计准确高、泛化能力强的心律失常智能识别算法仍然是一个需要新突破的研究课题。深度学习近年来飞速发展,研究表明基于深度学习的心律失常判别算法具有更强的泛化能力,因此本文开展了基于深度学习的心电特征波形分割和基于心拍的心律失常分类研究,主要研究内容如下:（1）基于深度学习的心电特征波形分割研究。发展了一种心电特征波形分割方法,该方法将任意长度的心电信号作为输入,输出P波、QRS波、T波的分割图像;然后设计了后处理算法来定位出各个特征波的起始点和终止点位置。将本方法在LUDB数据库上进行训练和测试,用于检测P波、QRS波、T波的起止点的F1分数分别达到了98.96%,、99.62%、99.34%,除了QRS波终点以外误差均在1ms以内,具有很高的精度。该方法的泛化能力也在QT数据库上得到了验证。相较于其他特征波定位算法,该方法可以同时一次性检出所有特征波,并且拥有更好的识别效果。（2）心律失常心拍的分类研究。针对心律失常心拍的分类问题,设计了一种基于残差块网络的心拍分类算法,创新性的使用了心电特征波的分割信息作为新的网络输入,并且使用AAMI规定的inter-patient数据划分方式,将训练集和测试集按照不同的病人划分开,更加贴合实际应用场景。使用MIT-BIH心律失常数据库进行算法的训练和验证,将其中的心拍分为4类,最终达到了94.5%的分类准确率。实验证明了本算法的可行性。