心血管疾病因高发病率、高致死率且极易复发等特点,一直是危害人类健康的主要疾病之一。心电图(Electrocardiogram,ECG)是实际临床中用于检测心律不齐的一个重要诊断方法。但ECG信号的幅值较小,从外部对ECG信号进行评估较为费力,使得医生在ECG的分析工作中既耗费了大量精力又无法保证不出现纰漏。因此,使用深度学习技术进行检测识别分类的研究对于帮助医生快速、准确的进行疾病诊断具有重要意义。本文在对心电信号进行预处理的基础上,基于深度学习技术构建了卷积神经网络(Convolutional Neural Network,CNN)和卷积神经网络与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的两种模型,主要研究内容包括:(1)针对一维ECG数据,本文对一维ECG信号进行了一系列噪声滤除工作,通过小波变换及自适应阈值法对ECG信号波形中的R波进行波形定位。(2)针对二维ECG数据,研究中将一维ECG信号进行转换并得到二维ECG灰度图像作为输入数据,在省去噪声滤波等预处理工作的同时能够最大程度的保留原始数据信息。通过使用特定裁剪方式对ECG图像进行数据增强,从而更好的优化了数据不平衡问题。(3)提出了一维CNN模型,并以美国医疗器械促进协会(AAMI)标准对包括正常搏动在内的5种心拍类型进行分类。在MIT-BIH心律失常数据库数据基础上使用预处理后的一维ECG数据进行实验验证,实验结果表明:该模型可达到97.87%准确性、97.25%灵敏度和98.50%特异性的分类性能。(4)提出了CNN-LSTM模型,模型以转换后的二维ECG图像作为输入数据,同样以AAMI标准对包括正常搏动在内的8种心拍类型进行分类。采用MIT-BIH心律失常数据库进行实验验证,实验结果表明:该模型可达到99.01%准确性,97.67%灵敏度和99.57%特异性的分类性能。综上,本文提出的CNN与CNN-LSTM模型以及对心电数据的预处理工作,能够实现较好的心律失常疾病分类性能,为心血管疾病的早期预防与辅助诊断提供了有效手段。