心电信号是心脏电活动的表象,若突然发生心脏类疾病,心电图就会出现异常,需要及时准确地诊断出心律失常类别。由于采集心电信号时会产生高低频噪声,同时心律失常类别较多,仅依靠临床医生观察心电图来诊断心律失常不仅费时费力,还容易产生主观性错误,降低心电信号的识读效率和精准率。因此,为了减轻医生压力,提高心电图的波形质量和心电信号的分类效率,本文基于深度神经网络算法,对心电信号自动分类进行了深入研究,主要研究内容如下:1.针对心电信号存在的高低频噪声问题:采用离散小波变换、巴特沃斯低通滤波器和移动均值滤波器进行高低频噪声的滤除,降噪后的心电信号光滑稳定,为提高信号分类准确性奠定基础;针对长时心电信号的片段分割问题:1)对双导联30分钟长时心电信号截取R峰点在内的360个采样点为一个心拍周期,并按单独的心拍信号注释类别标签。2)对12导联不定长时心电信号按固定采样点数依次滑动切割为24个心电片段,并注释为同一个心电标签。采用差分阈值法和Hamilton＿segmenter算法检测R峰位置,同时将心电信号进行零-均值标准化和抽样过采样处理,提高了信号分析的稳定性和分类效率。2.针对双导联心电信号设计了一种多通道深度卷积神经网络（Convolutional Neural Network,CNN）模型进行多尺度特征提取以及独立心拍分类。在CNN的基础上延伸网络宽度和长度,提取双导联心电信号中重要且具有关联性的特征信息,同时对比Inception结构中不同特征提取网络层对信号分类的效果,确定加入最大池化层和扩张卷积的1D-CNN-Inception12对5种心拍自动分类的F1值最高。3.针对12导联心电信号的波形特征和时序特点,对每个导联信号设计了一种具有注意力机制的级联CNN与双向长短时记忆（Bidirectional Long Short Term Memory,BiLSTM）网络串联组合的心律失常分类模型,其中级联CNN用来提取信号的心电局部特征,同时引入激励挤压模块增大异常波段特征的权重分配,BiLSTM用来提取心电时序信息,最后利用XGBoost算法将分类模型得到的12组分类概率和人工心率变异性特征进行融合。相比无特征融合和注意力机制的模型,融合模型对9种心律失常的自动诊断准确率更高。