心电信号是心电描记器所记录的心脏活动的微弱电信号,可用于诊断病人的心房颤动、室性早搏等心律失常,预防其诱发心脏性猝死。随着人工智能技术的不断发展,基于深度学习的心电信号分析越来越受到关注,逐步成为临床辅助诊断和治疗的有效手段。本文基于深度学习理论,以MIT-BIH心律失常数据库作为研究对象,对室上性异位心跳搏动,室性异位心跳搏动,融合心跳搏动三类心律失常信号以及正常信号进行了分类研究。具体的研究内容包括:（1）在预处理阶段,深入研究了MIT-BIH数据库存在的噪声污染和数据类别不均衡情况。首先,根据心电信号与噪声在频率上的不同,本文采用中值滤波和小波变换对信号中的低、高频噪声进行有效滤除;其次,在MIT-BIH数据库中,数据分布不均匀,正、异常样本数相差较大,亦造成假象倾斜现象,本文采用SMOTE（Synthetic Minority Oversampling Technique）方法对三类异常样本进行过采样处理,缓解数据不均衡带来的过拟合问题。（2）在网络构建方面,基于残差网络构建了本文的MISEResNet（Multiple scale Improve Sequeeze-and-Excitation ResNet）网络。首先,为避免单尺度神经网络提取不到足够丰富的心电信号特征信息,设计了多尺度残差网络模型,该网络模型能够提取更多样的尺度特征;其次,考虑心电信号各尺度的重要性不同以及每层残差输出特征不同于全局信息,本文引入SE（Squeeze-and-Excitation）思想,并在传统SE模块内部加入BN（Batch Normalization）和Dropout来优化其性能,将改进的SE模块分别用于多尺度层和残差模块来提取更具表征力的特征信息;最后,对传统ResNet的残差模块进行调整,将基本残差块的第二层BN层置于卷积层前,进一步实现了输入数据分布的统一。（3）考虑心电信号作为时序信号具有上下文特征,将双向长短时记忆网络与本文的MISEResNet相结合,形成了MISEResNet-BiLSTM模型。首先,MISEResNet模型用于心电的波形特征提取和数据压缩,建立波形之间的联系;然后,叠加双向长短时记忆网络对深层次心电信号特征序列进行序列分析、时间信息提取;最后基于MIT-BIH数据库进行了大量实验对比,结果表明该网络模型在波形特征和时序特征提取方面具有优于现有的一些网络模型,准确率达99.31%。