心肌梗塞是致死率最高的心血管疾病之一,对人们的生命健康产生了极大的威胁。因此,心肌梗塞的早期检测与诊断至关重要。心电图作为诊断心肌梗死的重要工具,具有分布广泛、成本较低、简单方便等优点。近年来随着计算机技术的蓬勃发展,基于心电信号的心肌梗塞识别领域已经成为了研究的热点,并且其具有重要的实际应用价值。因此,本文对心肌梗塞心电信号的识别进行深入研究。研究的主要内容如下:（1）针对于心肌梗塞的识别任务,构建了基于一维密集卷积网络的检测模型。对预处理后的心电信号进行R波波峰点定位,以R波波峰点为基准点提取时长为0.8s的12导联心拍信号作为输入样本。接着构建了一种1D-Dense Net模型,利用模型中密集模块前后互相连接的特性,增强心肌梗塞心电信号的特征重用性。同时,使用权重交叉熵作为损失函数改善了数据不均衡现象。在本文所使用的PTB心肌梗塞数据集上,对提出的模型进行10折交叉验证,该模型达到了94.49%的识别准确率,以及87.38%的灵敏度和97.12%的特异性。（2）针对于单一的深度学习模型表达能力有限的问题,构建了基于多网络堆栈的心肌梗塞识别分类模型。首先,将蕴含更多前后关联信息且更适合多网络堆栈模型的12导联短片段心电信号作为输入样本。其次,设计了一种多网络堆栈模型,其中包含并行的3种网络结构:1D-Dense Net、改进的1D-Dense Net与LSTM。使用stacking集成学习的模式对多网络堆栈模型进行训练,利用LSTM提取心电信号的长时间依赖的特征,同时利用Dense Net提取形态特征。该模型结合各个网络的优势,在心肌梗塞数据集上取得了较好的效果,准确率、灵敏度和特异性分别为96.05%、92.98%、97.59%。（3）针对于模型缺乏全面而丰富的特征提取问题,提出了一种基于多源特征融合与多网络堆栈模型的心肌梗塞识别方法。首先,对12导联心电信号样本进行频域平均振幅谱的特征提取。对心肌梗塞的重要检测指标T波所在频带划分为12个频率子带,余下的频带划分为12个频率子带,计算每一个频率子带的平均振幅,构成12×24的平均振幅特征图。接着,设计了一种针对于多源特征融合输入的多网络堆栈模型,模型中包含并行的5个子网络。针对于时域信号输入,分别利用1D-Dense Net、改进的1DDense Net与LSTM对其进行特征提取,针对于平均振幅特征图,采用2D-Dense Net与改进的2D-Dense Net对其进行特征提取。结合不同结构、不同种类网络的特点,实现了心肌梗塞的识别分类。该算法在实验数据集获得了97.57%的准确率、95.66%的灵敏度与98.42%的特异性。