心电图是临床上诊断心脏电生理相关疾病的重要手段,能够反映心肌的兴奋性、自律性和传导性。然而,全球每天上百万条心电记录的判断对于医师是一个耗时且容易出错的工作,开发自动检测算法辅助医师进行异常心律检测具有重要的意义。近年来,在各个心电节律分类挑战赛的推进下,关于心律失常的研究也不再只是针对心拍的分类,开始识别长时程心电记录中的心律失常。多个公开数据集的出现也为这类自动识别算法的开发提供了条件。本文结合深度学习与传统机器学习,在两个大规模公开数据集支持下,对心电节律分类方法进行研究,主要研究内容如下。（1）基于2018年中国电生理信号挑战赛的数据进行9种心电节律分类方法的研究。该数据集包含6877条6-60s的心电记录。首先,基于残差网络和Transformer编码模块结构搭建了异常心律检测模型。其次,为了更好地反映临床医师的诊断经验,基于多高斯函数以及分段函数拟合提取心电信号的形态学特征。最后,使用深度网络学到的深度特征与提取的形态学特征通过XGBoost分类器进行心电节律的识别。深度学习网络对9种心电节律的平均F1值为0.809,使用形态学特征得到的结果为0.714,结合深度特征与形态学特征得到的结果为0.815。结果表明,残差网络与Transfomer结构的网络性能在一定程度上优于竞赛成绩最高的网络结构;Transformer结构的加入在一定程度上提高了只使用残差网络的结果;在牺牲较小识别率的情况下,可分离卷积层可以极大降低网络的规模;加入心电形态学特征也能部分提高深度网络的结果。（2）基于更大规模的Physionet/Cinc2020数据进行了18种心律的识别研究。该数据集包含来自四个数据源的43101条心电记录。鉴于不同类别的数据样本量极不均衡,直接进行18种心电节律的分类效果不佳,本文把18种心电节律的分类任务分为了三级。第一级进行二分类,将记录分为窦性节律和异常节律。第二级,根据临床的心律失常分类关系,将异常的17种节律分为了三大类。考虑到不同类型异常节律的特异性,构建具有属性依赖层的多任务学习深度网络进行识别。第三级,将第二级的三大类细分为17种心律失常节律。鉴于各心律失常的数据量较小且不均衡,为了避免出现过拟合问题,采用了fine-tune的迁移学习方式将上一级训练好的部分网络参数加载进来进行训练。对于18种心律识别的总体F1为0.679,表明使用多级的深度学习模型进行心律失常的检测能取得较好的效果。验证结果表明,第一级的异常节律检测的良好性能能够实现预诊的效果。第二级的结果表明,使用多任务学习的方式能够提高对三大类异常节律检测的性能。第三级结果表明,对样本量较小的情况,迁移学习能够较好地完成分类任务。