随着人们的生活节奏和压力逐步加大,心脏病已经成为威胁人们生命健康的重大杀手之一。而心电图反应了人体心脏健康状况,在临床上被广泛用于心脏病检查。但由于心电信号非常微弱，抗干扰性差,现有心电图自动分类算法在测试集上效果很好,但用于实际临床时效果下降很多,最终诊断需要依赖医生去完成。因此研究一种能够心电图进行有效检测和识别的心电图自动分类方法尤为重要。本文的主要研究工作分为以下几个部分：1.在已有的心电图自动分类方法中,大多数实验均基于标准数据库例如MIT-BIH数据库得出结论。由于标准数据库的心电图只是来自少数个体,导致已有的方法往往在数据库测试集上取得很好的效果,但是用于临床上时则效果下降明显。因此本文采用来自临床的CCDD数据库,提高了算法的泛化能力。2.普通的滤波方法都是对单导联心电图进行滤波,在滤波的同时会损失有用的信息。因此本文针对心电图多导联的特殊结构,利用导联之间的相关性,采用了多导联滤波算法对心电图进行滤波,在去除噪声的同时减少有用信息的损失,以便后续的分类识别。3.心电图分类最终目的是要拟合成一个高度复杂的非线性决策函数。传统的算法通常先提取特征,再进行分类。心电图的正确分类依赖于正确特征的提取,如果提取的特征不能真实反映心电图的内在属性,那么后续分类器设计的再完美,分类效果也会很差。本文直接对原始数据进行深度神经网络训练,逐层提取心电图的特征,最后进行分类,特征提取和分类过程融合在一起,最终拟合出决策函数对心电图进行自动分类。本文最后采用卷积神经网络对心电图分类,基于CCDD数据库进行正异常二分类时,准确率达到82.5%；基于MIT-BIH数据库进行正常和四种心律失常疾病心电图分类时,准确率达到98.82%。与现有的分类方法相比,本文的算法提高了心电图自动分类的准确率,具有良好的泛化能力。