近年来,心血管疾病死亡率仍居于首位,而心电图作为一种非侵入式检测手段,可以通过从心电信号中识别出异常心拍类型,是心血管疾病最基本、简单、经济、高效的临床检查方法,且传统上对心电图的判读需要人工有丰富的专业知识和大量的临床经验,因此实现心电异常准确快速识别是有必要的。随着计算机技术的发展,使用深度学习技术辅助解决医学上的问题是热门且有研究意义。但是在目前临床应用中,深度学习在心电异常识别上存在一些问题需要解决。如近年来基于心电的研究大多将心电异常分类问题定义为多分类任务,即一段心电信号仅对应一个标签,这与实际临床情况不符合;或者基于将该类问题划分为多标签分类任务,存在分类准确率不高的问题。此外,目前大部分的研究使用到的心电数据库均存在心电异常类别分布严重不平衡,数据量大,这给提升心电异常识别的准确性带来了阻碍。且基于单导联或者双导联心电信号的研究在挖掘心电信号深层次的特征有一定的劣势。因此,研究多标签心电异常分类具有重要意义。针对以上存在的问题,本文的主要目的是通过深度学习等技术提升含有正常心电信号在内的55类心电识别性能,其中使用到可以将原本8通道的数据集扩充至12导联且具有多标签的心电异常数据库。通过实验对比分析,本文设计的模型可以进一步提升多标签心电异常识别的性能。主要工作内容如下:（1）本文首先对原始心电信号进行预处理。包括分析原始心电信号的噪声来源以及根据噪声和有效心电信号所在频带去噪;使用Pan-Tompkins算法检测QRS波群以及划分心拍,并提取具有临床意义的时域特征;对每段心电信号的标签使用one-hot编码并进行标签相关性矩阵的转换。（2）设计心电异常识别模型。通过对心电数据库各导联之间相似性、异常的局部性已经异常之间的相关性等分析,选择使用深度学习技术和设计网络结构时,从心电信号的特征出发。卷积神经网络和长短时记忆网络的结合提取心电信号的局部特征和时序特征。对于各导联之间存在一定的相似性,使用可得到通道重要性的SENet网络与其他深度学习网络结合,提取特征。ResNet和SENet从网路的深度上提取心电特征,Xception和SENet从网络宽度的角度上提取心电特征。此外还提取标签相关性特征增加模型的性能。通过设计对比实验,验证模型的有效性。（3）从数据角度优化心电异常识别模型。除了模型本身的网络结构可以提升模型识别性能之外,对于大数据驱动的深度学习算法,本文验证了通过压缩感知降低心电数据和生成式对抗网络解决样本不平衡的问题,可以进一步提高了分类的准确度。