心电图（Electrocardiogram，ECG）是诊断心脏疾病安全有效且快捷的方法，同时ECG是用于心脏疾病检测、分类和治疗的重要指标。因此，高效准确地去除ECG中的噪声对心脏疾病的辅助诊疗有着重要意义。在此背景下，本文将结合心电信号的稀疏特性，采用神经网络方法深入研究心电信号的降噪问题。本文主要的创新点将从以下三方面展现。
　　（1）针对传统的基于滤波器的降噪方法对信号的适用性不强的问题，本文提出了一种基于生成式对抗网络（Generative Adversarial Network，GAN）与深度残差网络（DeepResidual Network，DRN）相结合的ECG信号降噪方法。在GAN中加入DRN极大程度地减小训练过程中GAN梯度爆炸或弥散的可能性，从而提高网络训练中的稳定性。GAN自身具有较强的学习（噪声信号与原始干净信号之间）差异的能力，可以更好的提取“噪声特性”从而高效准确地完成降噪。经实验表明，本文提出的方法能够去除三种常见单噪声及多种混合噪声，较一般降噪网络表现出优异的适用性。本方法采用MIT-BIH噪声压力数据库对所提算法进行验证，得到RMSE为0.0102，SNR为40.8526db。本方法与多个降噪算法进行实验对比，结果表明基于GAN与DRN相结合的ECG信号降噪方法取得优异的降噪结果。
　　（2）针对稀疏信号处理时常常需要求解复杂的优化问题，本文提出了一种基于深度展开网络的ECG稀疏降噪方法。本方法基于深度展开网络用神经网络中的迭代来代替稀疏优化问题中的迭代，把优化问题中的参数求解问题转化成神经网络中的权重来学习，解决了稀疏降噪过程中求解优化复杂的问题。与此同时采用深度学习的方法克服了传统降噪方法中的特征空间需人为设定的局限性。实验结果表明本方法SNR最小值可达25.78db，证明了理论模型的正确性。
　　（3）针对现有的降噪方法对局部相关性和全局相关性考虑不够全面而导致降噪后信号严重失真的问题，本文提出了新的损失函数能够更好地保留降噪后信号的关键信息。新损失函数考虑到了降噪后信号与原始干净信号之间的局部差异和整体差异两方面因素，因此在原有的生成器网络损失函数中加入局部最大差值函数和整体差值函数来更好的捕获信号的局部特征和全局特征。经实验验证，降噪后的信号与原始干净信号高度吻合，极大程度的保留了原始信号的关键信息。