近年来,海量数据产生,算法发展和计算速度提升推动了人工智能领域的发展,使许多任务试图用人工智能的方法解决。本论文尝试使用深度学习的方法解决心电数据去噪音任务,该任务的目的是将噪音心电数据转换为无噪音心电数据。深度学习擅长处理监督学习任务,监督学习需要配对的数据学习源域和目标域的映射关系,但是心电数据去噪音任务的难点在于我们无法获取到配对的噪音心电数据和无噪音心电数据,只能收集到无噪音心电数据集。因此心电数据去噪音任务转换为在缺少配对心电数据的情况下,怎样借助无噪音心电数据集对噪音心电数据去噪,实则为不配对数据的转换。本论文首先介绍了一种不配对数据转换方法,实现在缺少配对数据的情况下,学习源域X到目标域Y的映射关系,之后将该方法应用到心电数据去噪音任务。本论文在研究不配对数据转换任务时,先理论分析,再利用深度学习的方法解决理论分析中提出的问题,从而设计出一套完整的解决不配对数据转换的方案。该方案由特征提取模块和数据生成模块两部分组成。(1)特征提取模块:基于残差网络将源域X和目标域Y转换到同一特征空间Z,两个域的样本数据在特征空间Z有相似的特征;(2)数据生成模块:基于条件生成式对抗网络学习特征空间Z到目标域Y的映射关系。两模块结合实现在缺少配对数据情况下学习源域X到目标域Y的映射关系。此外,本论文将不配对数据转换的方法应用到心电数据去噪音问题中,将不配对数据转换方法中两个模块的模型实例化。主要介绍了网络结构、目标函数和优化算法的选择。从实验结果和实验评估可以得出,利用本论文提出的不配对数据转换方法可以完成对心电数据去噪音的任务且实验结果较好。