关于非线性时变信号的问题涉及医疗、音频、经济、油田开采等多个领域,目前对于时变信号相关领域的分类和预测是当前信号处理和人工智能领域的研究热点之一,具有很强的理论意义和实际应用价值。由于时变信号背景下的应用广泛,同时时变信号具有高度的时变依赖性、非平稳性、高维性、噪声、模态特征多变、不规则等特点,因此实际应用中时变信号分类一直是分类领域的研究难点之一。随着技术不断发展,硬件设施性能不断提高,深度神经网络在计算机视觉、信号和自然语言处理等方面逐步替代传统的机器学习算法成为行业的主流,并取得了不错的成绩。相对于传统神经网络,过程神经网络是对其在时间域上的拓展,在机制上具有时间效应的累积,可同时包含多种影响因素的共同作用。在处理与时间相关的问题上,具有自身独特的优势。因此,若将深度学习方法与过程神经网络相结合,在时变信号相关领域上将会产生更好的互补效果。本文将过程神经网络引入时变信号分类中,结合降噪自动编码器等相关技术,对生物医学背景下的心电信号心律失常分类问题展开深入的研究。论文研究的工作及创新包括以下几个方面:1、研究时变信号的特征提取方法,并对过程神经网络和自编码器进行了深入的探讨。2、针对心血管疾病中的心律失常自动检测问题,以单心拍信号为研究对象,提出了一种基于三角函数正交基展开的降噪自动编码器深度过程神经网络(DAE-DPNN)。利用基于正交函数基展开的算法策略,实现了输入时变信号的隐式表达。实验结果表明,该模型是有效可行的。3、针对复杂长信号分类预测问题,基于卷积神经网络特征提取的思想,提出并建立了降噪自动编码器深度卷积过程神经网络模型(DAE-DCPNN)。基于12导联心电信号,实现对心律失常的自动诊断,并验证了模型的有效性;分别使用原始未增强数据和增强后数据进行对比试验,探讨研究了数据均衡性对模型的影响程度。本课题针对时变信号中生物医学领域的心电图信号的不同应用场景,设计实现了两种不同的过程神经网络组合模型并进行了相关实验,获得了较好的结果。