多年来,心血管疾病（Cardiovascular disease,CVD）一直是全球头号死因。因其对老年人的危害更大,在当今诸多国家和地区老龄化的时代背景下,CVD将对更多医疗机构产生挑战。因此,及时诊断CVD有重要意义。心电图（Electrocardiography,ECG）是诊断CVD的一种快速、经济的方法,已成为最常用的CVD诊断工具,但ECG的内在复杂性易导致医师误判。此背景下,面向ECG的CVD自动识别算法逐渐成为研究热点。本文针对现有研究不足,在泛化能力、双导联心电分类以及噪声鲁棒性三个方面展开CVD识别算法研究。主要研究工作如下:由于常见数据库中通常有两个导联的心电数据,而现有算法基本都是围绕单导联心电展开,双导联心电研究较少。同时,因心电采集时易混入噪声,现有研究提出了很多无需去噪的优秀模型,但未评估多级噪声干扰下的算法性能,算法在真实含噪场景下的表现无法判断。为解决以上问题,提出基于双导联一维Dense Net（D1D-Net）的心律失常分类算法,在无需去噪的情况下实现准确的心律失常分类。该算法仅需简单的预处理,其算法思想是在不同卷积层建立了密集的连接,复用了心电的不同层级特征,提取了丰富的深层特征来提高分类性能。同时,在逐层的卷积的过程中降低了噪声对分类性能的影响。为验证模型性能,在公开数据库中进行了多方案实验。此外,在原始ECG中添加了多级噪声以验证噪声鲁棒性。实验结果表明,D1D-Net可以有效分类心律失常。现实应用场景中,不同个体ECG波形差异会增加识别难度。然而,现有充血性心力衰竭检测研究缺乏对病人间测试方案的研究,算法的泛化性能有待提高。为了解决这一问题,提出基于ECVT-Net（ECG-Convolution-Vision Transformer Network）的病人间充血性心力衰竭检测算法,无需去噪即可实现有效的充血性心力衰竭检测。ECVT-Net结合卷积神经网络（Convolutional Neural Network,CNN）和Vision Transformer的特性,融合二者分别对局部特征和全局关联特征的出色挖掘能力,无需去噪即可自动提取ECG中代表性特征以提高检测效果。实验环节,我们先测试了病人内方案下的性能,然后将数据按病人编号分开,进行了病人间方案实验。此外,该算法同样进行了噪声鲁棒性评估。实验结果表明,ECVT-Net可有效地从ECG中检测出充血性心力衰竭。