据《中国心血管健康与疾病报告2019》显示,我国现有确诊心血管疾病人数预计达3.3亿,且随着人口老龄化比例提高,我国心血管疾病患病率将持续上升。心电图作为一种成熟且无创的技术,可以评估心脏的生理状态,对心血管疾病进行早期诊断,从而便于及时发现和治疗心血管疾病。然而心电信号的采集会受到患者肌肉运动、贴片噪声等干扰,导致采集的心电数据不能直接作为疾病诊断的依据。因此,在不丢失心电信号有用波形信息的基础上对采集到的心电信号降噪成为研究人员研究的热点问题。因此,为了提高降噪性能,同时准确获取心电信号的波形特征,本文提出基于全卷积增强网络的心电信号降噪算法。论文主要工作内容如下:（1）针对传统降噪方法在降噪时丢失部分心电信号波形信息的问题,提出基于深度全卷积增强网络的心电信号降噪算法。该网络是以SOS增强算法为主框架,集成3个全卷积自编码神经网络,提取心电信号深层特征。将原始输入信号和前一个全卷积自编码网络的输出信号叠加来增强信号,增强后的信号作为下一个全卷积自编码网络的输入信号,从而使得整体网络在降噪同时又尽可能多的保留心电信号的波形信息。实验结果表明,该算法滤除基线漂移、电极干扰和肌电干扰噪声的输出信噪比分别为18.858 dB、14.883 dB和17.308 dB,同时重构出的波形与干净心电信号波形吻合度较高。（2）针对实际临床中心电信号噪声类型复杂的问题和进一步提高降噪性能,提出融合小波变换和全卷积增强网络的心电信号降噪算法。利用SOS增强算法融合小波阈值降噪算法和全卷积自编码网络,将两种不同降噪算法融合来提高整体网络的降噪效果。同时由于实际临床应用中心电信号的噪声复杂多变,存在多种不同类型噪声混合干扰的情况,实验时采用不同类型噪声混合验证该降噪算法对复杂噪声的滤除效果。经实验验证,该算法滤除电极干扰、基线漂移和肌电干扰的混合噪声的输出信噪比相比于深度全卷积增强网络的降噪算法提升了2.34 dB。本文算法不仅提高了对复杂噪声的降噪效果,同时减少了网络模型参数,提升了整体网络的泛化能力。