心血管疾病是导致人类死亡的罪魁祸首,全球每年因其而死的人数达1500万,已经严重威胁到人类的生命健康。心血管疾病发作的同时,常常会伴有心律失常现象的出现。心血管综合征中的心律失常是一种比较常见的病理现象,但是致命的心律失常却不常见。为了捕获这些不常见的致命现象,心律失常的实时检测显得尤为重要。通过心电图可以判断心搏是否正常,进而预防和诊断心血管疾病。随着健康生活理念的进一步普及,人们对心脏类疾病愈加重视,检测出的心电图也越来越多,仅仅依靠医生的经验来做出诊断,会导致效率低下,甚至发生误诊或者漏诊的情况。因此,与科学技术相结合实现心律失常的自动分类就具有非常重要的现实意义,它能够使人及时发现心脏疾病并加以诊断,有效的保护心脏健康。近年来,深度学习技术不断发展,已经被运用到各个领域并取得了良好的效果。本文结合深度学习的优势特点,对心电信号去噪、心电特征提取以及心电信号自动分类等问题做出了深入研究,主要研究内容如下所述:（1）采集的心电信号往往伴有基线漂移、电极干扰以及肌电干扰等噪声,为解决噪声对后期心电信号分类结果的影响,本文提出一种小波硬阈值和降噪自编码技术相结合的心电信号去噪方法,相比传统降噪方法,该方法在噪声特征学习和重构方面具有较强的优势。首先,利用小波硬阈值对原始心电数据进行噪声滤除,得到纯净信号;然后,为纯净信号分别添加相应噪声,即基线漂移、电极干扰以及肌电干扰,将噪声信号输入到降噪自编码网络模型中进行训练,学习其噪声特征;最后,经重构得到降噪后的心电信号。其中,原始心电信号来自MIT-BIH心律异常数据库,噪声信号来自MIT-BIH中的噪音压力测试数据库。（2）传统的心电特征提取需要通过人工操作完成,耗费大量人力、时间等成本,并且特征形态固定,难以发现重要特征,导致分类精确度下降。深度学习算法具有深层网络,能自动学习复杂数据特征,为此,本文提出一种卷积神经网络和基于注意力机制的双向门控循环单元神经网络相结合的心律异常判别方法。该方法首先使用卷积神经网络对心电信号进行特征提取,其次将提取出的心电特征输入到双向门控循环单元中进行学习训练,该步骤的输出再输入到注意力机制网络中进一步训练优化,获取更为关键的心电特征,最后利用Softmax分类器完成心电信号的分类工作。该方法利用MIT-BIH心电数据库进行计算机仿真,分析结果显示,本文所提方法具有更高的分类准确度,在灵敏度和阳性预测方面也具有较好的效果。