随着人口老龄化的进程加速,我国将面临很大的人口健康压力,老年人群也是心血管疾病潜在威胁最大的对象。数据显示,目前全球致死率最高的疾病之一是心血管疾病,心血管疾病的主要体现是心律失常。而医学上检测心律失常最有效方法是监测心电图（Electrocardiogram,ECG）,通过观察ECG的特征识别心律失常,因此,长期ECG监护已经成为研究的热点问题。目前将深度学习方法结合的ECG分类的研究已初见成效,但实现长期的日常心电监护的同时,还能保证心律失常诊断的准确性,需进一步研究。本文针对可穿戴设备的持续性健康监护问题,开发了一个对接医疗级心电采集设备的心律失常分类系统。另外,本文还研究了适用于分类系统的心律失常分类的算法,该算法满足简单、有效和稳定的特点,便于在系统上稳定的运行。本文研究的内容主要分为以下几个部分:（1）提出了一种基于混合时频域特征提取的方法,该方法提取RR间期时域特征、希尔伯特-黄变换（Hilbert-Huang transform,HHT）提取频域特征和连续小波变换（Continuous wavelet transform,CWT）提取时频域联合特征,然后将三个特征进行特征融合后输入卷积神经网络模型,同时采用Focal Loss替代交叉熵作为网络的损失函数。训练模型使用的数据集为MIT-BIH心律失常数据库,验证本文提出方法对4类AAMI标准的ECG心律失常分类。实验表明,本文所提出的混合时频域特征方法能提升心律失常分类的准确性。（2）设计了一种基于改进的压缩激励网络（Squeeze and Excitation network,SENet）简单有效方法。该方法通过连续小波变换提取心电特征,然后采用归一化、线性变换和SENet相结合的轻量级上下文变换（Lightweight Context Transform,LCT）实现心律失常数据的分类。训练模型的数据集同样为MIT-BIH心律失常数据库,通过对四种AANI标准的ECG心拍样本分类,同时还做了消融实验,讨论四种不同小波族提取的特征对分类结果的影响。实验结果表明,本文提出的方法简单有效,并能保持心律失常分类的较高性能,满足心律失常分类系统自动分类时简单、稳定、有效的要求。（3）基于Django Rest Framework框架,开发了Restful应用编程接口（Application Programming Interface,API）,并结合ECG的QRS波群识别、ECG去噪和基于深度学习的心律失常分类算法等模块,构建了一个实时监测、自动对心律失常识别分类的系统,该系统可以根据ECG分类的需求,灵活更换深度学习模型即实现识别相应的ECG类型。该系统采用My SQL数据库和Nginx反向代理部署在阿里云ECS云服务器上。本文主要研究了一个基于混合时频域特征和深度学习心律失常分类的方法。开发的心律失常分类系统使用正常心率的ECG数据验证,能正常运行,并且心律失常分类算法也有较好的识别性能。