心电图是对各种心脏疾病进行判断的必备工具。传统的诊断方法是通过人工分析心电信号,凭借临床经验来诊断病症。但在面对庞大且复杂的心电图数据时,人工诊断通常会受到主观因素的影响,造成误诊情况,同时缺乏实时性,耽误治病的最佳机会。心电图的智能识别不但能减轻医务人员的工作量,而且还能有效提高诊断病情的准确率和效率。因此,研究心电图自动识别具有重要的理论及应用意义。本文试图将如今较为流行的深度学习模型进行整合,开展心电图的自动识别相关研究,主要工作和贡献体现在下述三个方面:(1)提出了一种基于卷积神经网络的心电图识别方法。卷积神经网络的局部连接、权值共享和池化的特性,能够将网络模型简易化,使网络模型更具稳定性。然而单层的卷积神经网络无法捕获图像中深层的特征。针对此问题,本文提出了一种基于卷积神经网络的心电图识别方法,通过调整多层卷积神经网络的参数,提取更深层次的心电特征;同时选择平均绝对误差作为损失函数来对模型进行优化梯度,进一步提高模型效果。(2)提出了一种基于卷积神经网络和LSTM的心电图识别方法。考虑到心电数据存在时序性,本文在CNN模型的基础上添加LSTM层,提出一种基于CNN-LSTM的心电图识别方法,利用LSTM来捕获信号之间的位置关联,同时选择多层卷积神经网络捕获深层特征。该方法能在最大程度上将卷积神经网络和长短期记忆网络的优势相结合,并提高了心电图五分类任务的准确率。(3)提出了一种基于集成学习的心电图识别方法。为了进一步研究心电图识别方法,本文提出一种名为ENDNN的集成深度学习模型,通过集成学习的方法对前面提出两个的模型进行结合,并与前面的模型作对比实验分析。最终证明,该集成模型能够将每个分类器的优势充分发挥出来达到更好的识别效果。