由心律异常导致的心血管疾病是危害人类健康的一大杀手,尽早地检测和预防心律异常疾病是当今社会需要解决的问题。心电图(ECG)信号是诊断心律异常的常用辅助工具,结合计算机辅助技术能够减少医生的诊断时间、提高准确率。近年来,计算机辅助的心律异常分类系统已成研究热点。本文从临床医学角度出发,针对同一数据库和不同数据库分别设计心律异常分类系统并对比其中的优略势。首次提出特征级联融合网络(FCFN)来提取ECG信号的空间域、时间域特征,并以此为基础结合不平衡处理技术、设计类内类间联合损失函数、采用类平衡OHEM难分样本训练方法,针对同域数据分布的场景,设计了基于FCFN的心律异常分类系统,该系统包括4大方面:1、特征获取。通过一维卷积神经网络(1D-CNN)和长短时记忆网络(LSTM)的级联组合结构提取ECG信号的深度抽象特征,设计多尺度特征融合的连接方式将不同感受区域的特征结合起来,增加其非线性拟合能力,丰富了信息量。2、不平衡处理。心律异常数据各类别样本分布不一,影响分类的准确性。本文探究几种基于下采样和上采样的不平衡处理算法,提出综合采样法来改善样本分布。经实验验证,该方法能提高心律异常分类的准确性。3、模型训练。设计类内类间联合损失函数,约束网络的参数趋于类内差异小,类间差异大的方向更新。对于难分样本,提出类平衡的OHEM训练方法,重点提高易混淆样本的分类准确率。4、分类器应用。探究三种典型的分类器:支持向量机、随机森林和Softmax。对不同分类器进行理论分析并考虑系统的复杂度,经实验验证,Softmax的分类效果优于其他两种分类方法,本系统最终采用Softmax分类器。针对不同域数据,引入迁移学习中的特征迁移和模型迁移的思想,在FCFN基础上设计镜像深度迁移网路(MDTN)。不同域的ECG信号共享网络参数提取特征,通过适配层和最大均值差异损失的约束来减少特征域间差异。基于MDTN的心律异常分类系统能够解决医学领域中带标注数据稀缺导致的模型更新困难问题,改善由于病人特异性、环境差异引起的数据域偏移现象,解决数据差异带来的分类不准确问题。