心血管疾病具有高发病率、高致死率、高复发率的特点,在全球范围内已成为致死率排第一位的疾病,每年因其致死的人数约占全球总死亡人数的31%,且患有心血管疾病的人数还在日益增多,并呈现出年轻化趋势,对人类身体健康造成了严重的威胁。心电图作为记录人体心脏电活动的一种图形技术,因其无创性特点,已成为心血管疾病检测和诊断的重要方法之一。然而,其在采集过程中会受到各种干扰,导致采集到的心电信号存在波形失真的问题,在一定程度上影响病情的分析和诊断。因此,解决心电信号去噪问题具有重要意义。为了减少心电噪声影响,本文提出基于卷积自编码神经网络的心电信号降噪算法。论文主要内容如下:(1)提出了基于卷积自编码神经网络的心电信号降噪算法。将卷积神经网络和自编码器相结合,利用自编码器的编码、解码特性,通过卷积的方法构建深层神经网络来学习从含噪心电信号到干净心电信号的端对端映射,以端对端的方式学习完整的卷积和反卷积映射,从含噪的心电信号中得到干净的心电信号,以完成心电信号的噪声去除。结果表明,基于卷积自编码神经网络的降噪算法取得了较好的去噪效果,而且对蕴含丰富病理信息的变异性心拍的噪声滤除也有一定的优势。(2)针对实际临床应用中存在的心电信号噪声类型多变且未知,难以采取单一方法妥善处理的问题,提出了基于卷积自编码神经网络的心电信号盲降噪方法。首先利用噪声分类方法对心电信号进行噪声类型的分类,然后在此基础上选择与噪声类型最接近的CAENN降噪器,来进行有效去噪。经实验验证,利用本章算法对含噪心电信号降噪,可以在提高对含混合噪声心电信号降噪精度的同时,保持对病情诊断起关键作用的变异性心拍的降噪优势。(3)将本文提出的降噪算法应用于所在课题组自主研发的心电监护平台中,采用实际采集的心电数据对本文方法进行测试,验证降噪算法的实用性和可靠性。