心电图(Electrocardiogram,ECG)是最常用的记录心脏一段时间内生理活动的无创诊断工具。心电图有助于诊断许多心血管疾病,如心房过早收缩、心室过早收缩、心房颤动和心肌梗死等。近年来,随着便携式心电监护仪(例如,Holter)以及可穿戴设备(例如,Apple Watch)在医疗领域的飞速发展,心电数据的数量迅速增长,导致心血管疾病自动诊断系统在分析这些数据时出现了不足。因此,如何自动准确地分析心电数据成为多年来的研究热点。针对目前心电数据库中数据分布和其心电数据自身的特点,基于不均衡数据处理技术以及深度学习网络(Deep learning)技术,依据MIT-BIH Arrhythmia Database中心电图数据分布的特点和The China Physiological Signal Challenge2018数据集中ECG信号的特点,围绕心律失常分类优化策略和心律失常自动分类环节中的关键问题,提出了有效的心律失常自动检测算法。论文的主要研究内容总结如下。(1)提出了一种基于长短记忆神经网络(Long-short term memory,LSTM)的类不均衡心律失常自动分类模型。针对ECG信号存在复杂的变化和不平衡的特性,LSTM网络用于提取复杂ECG信号中的时序特征;并使用Focal loss函数缓解ECG数据不均衡带来的梯度优化问题,从而提高了少样本异常ECG信号的识别率。最后,使用MIT-BIH Arrhythmia Database对模型的有效性进行验证;(2)提出了一种新颖的多路卷积神经网络(Multi-channel Convolutional Neural Network,MC-CNN)的节律型心律失常自动分类模型。针对12导联短时ECG信号存在不同的时长的特性,设计12路CNN处理12个导联的ECG数据,每路又结合重叠切片技术,搭建了CNN网络结构提取变长ECG记录的特征进行分类。设计的多路卷积神经网络可以实现基于12导联可变长度ECG记录的心律失常筛查。最后,使用The China Physiological Signal Challenge 2018的短时心电数据验证所提出网络模型的有效性。