目前心血管疾病已经成为全世界最为关注的一种疾病,每年因为心血管疾病而死亡的人数多余其它任何病因,提早预防和诊断该类疾病能有效的挽救患者的生命。心电图是一种检测心脏电活动最为有效的方式,被广泛用于心血管疾病的检测。传统的诊断方式是以医生为主导,通过心电图诊断心血管疾病。医生凭借自己的专业知识和临床经验主观的判断病症,要保证诊断的准确性,需要医生具有极高的专业水平和丰富的临床经验。为了提高心血管疾病诊断的准确性和鲁棒性,基于心电图的心电信号自动分析技术越来越受到关注。心电信号自动分析技术主要分为两种,一种是基于传统机器学习的心电信号识别算法,另一种是基于深度学习的识别算法。这两种方法都是通过对心电信号进行特征提取,然后使用分类算法进行分类。前一种方法主要通过人基于一定的先验知识手工挑选特征,虽然提取的特征比较有代表性,但是手工挑选特征的过程比较繁琐,往往也并未充分利用到心电信号的全部特征。后一种方法则是通过神经网络模型自主的学习心电信号中的特征,将特征提取和分类的过程融合在一起,避免了手工挑选特征的过程,但是通过神经网络提取到的特征是无法解释的,也就是并不清楚模型学到了什么样的特征。而心电信号是一种含有丰富时频特性的信号,神经网络模型往往会忽略这些特性。本文针对以上问题提出了一种基于小波分解与卷积神经网络相结合的算法。通过小波分解将心电信号映射到各个子频段,使心电信号在时频域上的特征更为明显,然后再通过卷积神经网络进一步提取其特征进行分类。另外,卷积神经网络在图像上的性能优异,能够很好的捕捉到二维数据的特性,而大部分使用卷积网络来处理心电信号的方法都是使用一维卷积的模型,只包含了心电信号表达一个维度。本文中通过小波分解不仅使心电信号的时频特征更为突出,同时也是数据变成了多个维度的表达,并使用二维的卷积模型,充分考虑了各个子频段的特征对病症分类的影响。最后在2017年心脏病学挑战大赛数据集上,针对正常心律,房颤心律,其他心律以及噪声信号四类心电信号的分类进行了实验,四类信号分类结果的F1总得分为0.76,比使用一维卷积神经网络的模型得分高了约4个百分点,在每一类信号的F1得分上也都要高。实验结果证明通过小波分解提取心电信号时频特性,再利用二维卷积网络对特征进一步提取后再分类,对心电信号的识别性能的提高是有效的。