心血管疾病是对人类健康构成重大威胁的疾病之一,而心肌梗死的高发病率与高死亡率更是成为人类健康的头号敌人。心肌梗死发生后,大多数患者心电图(Electrocardiogram,ECG)会出现特征性改变,呈现特别的心电图动态演变规律。尽管近十年来有多项新的诊断技术诞生,但是心电图检查以其便捷、无创、低成本等特点,在心肌梗死诊断中仍占有最重要的地位。本文针对心电信号去噪、波形定位、心肌梗死分类三大关键问题展开研究,旨在建立一套以心梗为研究重点的基于深度学习技术的心电信号自动分类模型,为心血管疾病自动诊断提供技术支持。本文的工作主要有以下几个方面:(1)去噪和波形定位;本文以二维图像处理中经典的U-net模型为研究基础,充分考虑心电信号的特点,创新性地提出一维ECG-U-net模型,将此模型分别应用于心电信号的去噪与波形定位,均取得较好效果。针对心电信号去噪;本文使用的干净ECG数据由人工挑选自苏州九龙医院临床数据库,噪声信号来源于MIT-BIH噪声压力数据库。使用信噪比SNR和均方根误差RMSE两项评价指标,将本文提出的方法和软阈值小波变换法、同属卷积网络类的FCN模型进行对比,证明了本文提出的一维ECG-U-net模型去除基线漂移、电极位移、肌电干扰三种噪声的同时还可以较好地保留波形的细节特征。针对心电波形定位;通过特殊的标签设计和网络输出的后处理,利用ECG-U-net模型可以在单导联条件下实现对ECG信号三种主要波段(P波、QRS波、ST-T段)的起止点定位。实验中使用到的三种波形标签由志愿者进行标注,并经心电图医生确认。经苏州九龙医院临床数据的验证,本文提出的方法在不同导联、不同疾病影响的情况下均可以取得不俗的效果。(2)心肌梗死分类;根据心肌梗死疾病特点,研究了在12导联情况下的ECG分类,提出了多导联多尺度卷积网络模型MM-ECG-CNN,模型融合了12导联ECG和特征波形的位置信息,将二维卷积和一维卷积组合使用。使用苏州九龙医院临床数据库进行测试,模型在7类常见的ECG信号上准确率达到92.62%,在5类心肌梗死发生位置的分类上准确率达到80.59%,可以初步实现梗死位置的分类,与其他研究人员提出的深度学习模型进行比较,本文提出的MM-ECG-CNN模型在各项情况的对比下均取得最优结果。本文研究成果在心电信号去噪、波形定位、分类三个方面均取得不错效果,具有良好的临床应用潜力。