如今患心血管疾病的人群日益庞大,心电异常事件检测显得尤为重要。已有的异常心电多分类检测精度有待提高,存在数据类别不均衡,有标签数据过少以及异常心电波形存在畸变等问题。针对这些问题,本文的主要研究内容如下:1)针对现有模型无法有效地对双通道输入的心电信号提取多尺度空间信息的问题,本文提出了基于双通道的多尺度预测残差卷积神经网络模型。通过分析现有卷积网络的优劣势,结合心电信号的特点,提出利用双通道的多尺度预测残差卷积神经网络提取心电特征。由于心电数据具有类别不均衡的特点,导致了分类器对大类样本具有倾向性,因此采用了分级分类模型,将大类样本优先分类出,再对少类样本进行二级分类。通过在公开数据集上的实验结果,N类检测敏感性、特异性以及F1-score均显著高于现有方法,对S类检测敏感性,特异性超过现有方法3%。2)心电特征点定位能够获取心电信号的时序信息,有助于异常心电检测,但异常心电因波形畸变难以准确定位,因此本文提出基于融合心电特征点的异常心电检测模型。通过目标检测的方法实现对心电特征点的高精度定位,将心电信号的多个特征点进行提取,包括P波、QRS波、T波,将提取出的各种特征点作为重要特征融入到后续的分类模型中。通过在公开数据集上的实验,P波起止点的定位误差比现有方法减少0.1ms,QRS终点定位误差比现有方法减少3ms,T波起点定位误差比现有方法减小1ms。将定位出的心电特征点融入到异常心电检测模型中,通过对比实验,N类检测敏感性、特异性以及F1-score高于现有方法,对少类样本S的检测F1-score超过现有方法20%。3)针对有标签心电数据过少,容易导致检测模型学习陷入过拟合的问题,提出了基于生成对抗网络的半监督异常心电检测模型。通过生成对抗网络对无标签数据增强的方式将原有数据进行扩充,利用半监督模型将有标数据与无标数据结合进行一致性训练,最终使得模型更具鲁棒性。通过中间结果可视化和对比试验,对N类检测敏感性、F1-score高于现有方法4%,S类检测敏感性、F1-score超过现有方法4%,V类检测特异性优于现有方法9%。验证了该模型的有效性。