心脏类疾病严重威胁人类身心健康,特别是50岁以上的中老年人患病率最高,因此心血管疾病的防治与诊断已经成为重中之重,而心电图是通过心电信号的波形来识别和分析心脏是否发生病变,是目前检测心脏类疾病较为有效的防治手段。但是心电信号是一个信噪比低且易受干扰的电生理信号,所以对心电信号的去噪处理已经成为现代医学领域的研究热点。然而传统的心电信号去噪算法擅长去除线性的,平稳的ECG信号噪声,在面对非线性,非平稳的ECG信号噪声时去噪效果不理想。为了解决这个问题本文研究了一种基于降噪自动编码器的心电信号去噪算法。主要内容包括:(1)利用降噪自动编码器(Denoising Automatic Encoder,DAE)可以对输入信号进行特征提取并且对噪声具有鲁棒性的特点,采用降噪自动编码器构建浅层神经网络对心电信号进行降噪。(2)基于多层降噪自动编码器(Stacked Denoising Automatic Encoder,SDAE)的心电信号去噪。为解决浅层网络模型无法提取心电信号深层次的信号特征的问题,利用多个降噪自动编码器构建深度学习网络完成心电信号降噪任务。在网络训练中利用无监督训练方式完成网络预训练得到网络初始化参数,根据误差反向传播算法优化网络整体的网络参数。根据不同的网络结构和不同的训练样本数,选取最优网络结构和适当的训练样本,提高深度神经网络模型对心电信号的去噪效果。(3)基于多层收缩降噪自动编码器的心电信号去噪(Stacked Compression Noise Reduction Automatic Encoder,SCDAE)。为了解决当训练样本过多时,输入数据对神经网络扰动的问题,影响神经网络模型去噪效果,利用收缩自动编码器具有隐藏层扰动不变性的特点同时结合降噪自动编码器具有抗噪声能力的特点,提高降噪网络整体的鲁棒性。通过实验结果表明:传统心电信号去噪算法得到的平均信噪比为11d B;降噪自动编码器(DAE)算法得到的平均信噪比为13d B;多层降噪自动编码器(SDAE)算法得到的平均信噪比为18d B;多层收缩降噪自动编码器(SCDAE)算法得到的平均信噪比为21d B。相较于DAE算法和传统心电信号去噪算法,深度学习算法对非线性、非平稳的心电信号噪声具有更好的降噪效果。而且通过实验发现经过本文算法处理之后得到的心电信号基本保留了原始信号的特征形态,对噪声具有较强的抗干扰能力。