心房颤动是一种复杂的心律失常,严重危害人类的生理健康,基于心电图（Electrocardiogram,ECG）信号的房颤智能诊断已成为辅助医生判断的重要手段。深度学习促进了房颤智能诊断的发展,但深度学习的训练依赖于庞大且平衡的数据集,因此解决房颤患者样本内的数据不平衡问题成为改善房颤检测结果的关键。首先,针对房颤检测中存在的样本不均衡问题,提出基于频率调制数学模型的仿真方法。仿真房颤信号由仿真心拍数据、仿真RR间隔和仿真f波共同构成。采用频率调制莫比乌斯模型拟合心拍中的基础波系数,并合成仿真心拍;利用积分脉冲频率调制模型进行RR间隔仿真,计算仿真间隔与真实间隔的分布特性;以锯齿波模型生成仿真f波。对合成的心电片段与真实数据计算相似度,定量描述仿真数据的合理性。使用生成对抗网络进行数据生成,与频率调制数学模型仿真方法进行对比。其次,对样本均衡后的数据提取f波信号和RR间隔。采用判别式扩散映射度量构建非线性的低维结构的心室活动,进而计算各心拍间的距离。然后利用非局部欧式中值距离计算QRST心室模板,得到f波信号;由数据集的人工标记得到RR间隔。最后,针对房颤检测问题,以神经网络为分类算法,构建延迟连接长短时记忆卷积神经网络,以解决房颤检测中的长序列相关性问题和神经网络中随着网络层数增加而产生的梯度消失问题。分别以原始心电信号、提取的RR间隔和f波特征作为房颤检测模型的网络输入。设置不同网络层数、数据长度、网络结构以及样本均衡方法的房颤检测实验,并与其他房颤检测算法进行结果对比。本文基于频率调制样本均衡与延迟连接长短时记忆卷积神经网络,为房颤信号的准确检测和分析提供了一种有效方法。