时序生理信号在人体健康状况评估以及疾病诊断方面发挥着重要的作用。由于时序生理信号种类繁多,为了集中精力进行针对性的研究,本文主要分析和探讨了两种典型的时序生理信号及其应用:(1)利用深度卷积神经网络对心电信号进行分析进而实现对不同心脏疾病的分类。(2)对连续时间内采集到的各类生理测量数据进行分析并利用这些数据对脓毒症进行早期预测。心电信号是时序生理信号的一种,它反应了心肌细胞的生物电变化情况。虽然临床上广泛使用心电信号进行心血管疾病的诊断,但是由于心电信号的诊断结果主观性较强,心血管疾病的诊断和筛查依然是困扰人们的难题。而计算机辅助的心电诊断技术具备客观性且易于推广,是解决这个问题的方案之一。本文提出了一种基于一维卷积神经网络的心电信号分类方法。该网络中的残差注意力模块不仅缓解了网络梯度消失的问题,还通过注意力机制在空间域中提取心电信号的有用特征。同时,为了充分利用心电信号的时间相关性,网络构建了长短期记忆网络模块在时域上提取心电信号的时序特征。实验结果证明,本文提出的基于卷积神经网络的心电分类方法优于对比方法,并且具有一定的鲁棒性。持续时间内采集到的生理测量数据是一种典型的时序生理信号,反应了人体各个生理指标随时间变化的情况。对持续的生理测量指标进行建模分析是有效的疾病检测和诊断方法。本文以脓毒症早期预测为例,利用Physio Net/Cin C 2019全球生理测量挑战赛提供的脓毒症患者的生理测量数据库,提出了一种基于XGBoost的脓毒症早期预测方法。由于数据库类别不平衡且有大量缺失值,因此,该方法先进行数据预处理,然后利用XGBoost对患者各项连续的生理测量指标进行分析,进而预测患者是否患有脓毒症。另外,本文也探究了长短期记忆网络是否具有从生理信号中提取时序特征来预测脓毒症的能力。实验表明,基于XGBoost的方法优于基于长短期记忆网络的方法。因此,本文将基于XGBoost的脓毒症预测方法作为Physio Net/Cin C 2019挑战赛的决赛作品,在全球一百多个队伍中排15名。