当今社会,严重威胁人类生命健康甚至容易导致人死亡的疾病有很多种,并且现在的科学技术仍然难以及时发现并应对治疗这些疾病,其中就包括众多的心血管疾病。众所周知,心血管疾病的发病率和致死率不断上升,近年来其致死率居各种疾病的致死率之首。像典型的心血管疾病如冠心病、心肌梗死、充血性心力衰竭等它们在患者患病时的部分患病症状相似,有时候难以区分。若不及时精准识别疾病并确定其严重性程度,可能会延误最佳治疗时机。因此,对于心血管疾病的及时精准诊断及进行严重性程度分析至关重要。心电图检查是一个又直观而且诊断快的心血管疾病诊断工具,但是由于医生的精力和经验有限,难以能够准确的对疾病进行识别。计算机技术的飞速发展应用能够使得通过高精度的辅助计算来快速精准诊断,从而为医生提供更加快速有效的帮助。本文基于心电信号数据,综合考虑医学临床实际情况,提出设计了基于深度学习算法计算机辅助诊断系统,实现对心力衰竭等多种心血管疾病分类及心力衰竭严重性程度分级的精准诊断。本文的主要研究内容总结如下:（1）本文基于常见的双导联心电信号,构建了心力衰竭等心血管疾病的多分类诊断模型。大多数的研究都是进行患者内实验的分类诊断,而实际现实条件基本都是患者间进行的检测,大部分研究忽略了这一部分。患者间实验的测试能够更贴近实际地应用。因此,本文提出了一种双重特征提取的深度学习网络模型。该网络模型首先通过运用一维卷积层进行适度降维以适应网络后续的特征提取,并且继续运用Resnet残差网络块层和Transformer编码器层依次进行特征的提取以提取到关键并且相关联的抽象特征。在患者间实验中,该模型能够快速区分正常受试者、冠心病患者、心肌梗塞患者、心力衰竭患者,对于诊断心力衰竭疾病的平均准确率准确率、敏感性、阳性预测值、特异性分别为97.48%、93.54%、96.30%、97.89%。此外,模型在不平衡的数据集中表现优异,具有很好的噪声鲁棒性。（2）在本文中,构建了一种深度神经网络（DNN）,并使用三种由单导联信号计算出的心率变异性（HRV）分段训练该DNN,而无需手动提取特征。模型的性能通过两种方式进行评估。通过将HRV信号分割成2048个采样数,可以获得最佳性能。采用10倍交叉验证得到准确度、敏感性和特异性分别为92.65%,91.62%,91.84%,采用分组验证准确度、敏感性和特异性分别为87.09%,75.02%,91.19%。最后,该模型可以根据纽约心脏协会（NYHA）的分类规则将CHF患者分为4个级别:NYHA Ⅰ级、NYHA Ⅱ级、NYHA Ⅲ级、NYHA Ⅳ级。