心血管疾病被世界卫生组织列为人口死亡的首要死因,为了在临床医疗中更好地检测心血管疾病,心电图作为一种无创性的诊断工具被广泛使用。心电信号分类识别是医学与计算机技术融合过程中的一个重要研究课题,其关键在于更准确地提取心电信号的有效特征。传统的心电分类方法是先进行特征提取和选择,再进行分类,然而此方法严重依赖人工,无法充分挖掘隐藏在大量心电信号内部的深层特征。如今深度学习蓬勃发展,深度学习因其具有自动学习特征而无需显式特征提取过程的特色优势,引领着心电信号的自动分类识别进入了一条崭新的发展之路。因此本文将深度学习技术应用于心电信号的分类识别研究以期提升心电信号分类识别的准确率。全文主要研究内容如下:(1)基于小波自适应阈值去噪的心电信号预处理。为了滤除心电信号中的噪声,本文提出了一种基于自适应阈值的小波去噪法,可以对不同分解尺度的阈值进行动态调整。其基本步骤为:首先采用sym8小波函数对心电信号进行八尺度分解,然后将第八尺度上的近似系数和第一尺度上的细节系数直接置零,在其余尺度上利用本文所提出的自适应阈值和软阈值函数对小波系数进行处理并重构信号,最终获得去噪后的信号。(2)基于深度学习的心电信号分类模型。本文在深度学习技术的基础上构建了两个心电信号分类模型:深度置信网络(DBN)模型和卷积神经网络(CNN)模型。在DBN模型中,针对传统DBN模型训练阶段容易出现的陷入局部最优和训练时间过长问题,在参数更新过程中添加了冲量项以及采用分批次训练批量更新参数的思想,可有效提高模型的计算性能;在CNN模型中,为了达到快速收敛状态、减少过拟合,增强模型的泛化能力,使用了一些优化技术如Xavier权值初始化、Relu激活函数、BN和Dropout。两种模型用于实现基于AAMI标准划分的正常心搏(N)、室上性异位心搏(S)、室性异位心搏(V)、融合心搏(F)等四种心律失常心拍的自动分类。(3)利用MIT-BIH心律失常数据库中的心电数据集对DBN模型和CNN模型分别进行训练和测试。对于DBN模型,从隐藏层层数设置、参数微调前后分类结果比较和数据合成前后分类结果对比等三方面进行分类性能的评价与分析;对于CNN模型,从卷积层参数的确定、学习率的设置和迭代次数的设定等三方面进行对比实验以获取CNN模型的最优参数,获取最优的CNN训练模型并用于分类测试。最终DBN模型和CNN模型分别获得了98.46%和98.10%的总体准确率,并在intra-patient和inter-patient两种方案下和其他研究方法进行对比,结果显示本文所提出的基于DBN和CNN的心电信号分类方法具有较高的分类性能。