近年来,心血管疾病作为威胁人类生命的重要疾病之一,其发病率和致死率逐年上升。大部分的心血管疾病早期症状都伴随着心律失常现象,及时准确的分类出异常的心电信号类别具有重要的医学价值和社会意义。心电信号分类算法目前存在两方面问题,大部分分类方法都是基于心电信号数据进行分类,对心电信号时域波形及变换域数据集分类研究较少,信号的单一特征分类准确度较低,并且分类算法模型的时间复杂度高及运算参数量较多。针对上述问题,本文给出基于时频变换的数据特征分析算法,以及给出了基于深度卷积网络结合迁移学习的分类判别算法,在小数据样本中获得了较好分类性能,并且降低了时间复杂度和运算数据量。本文主要工作内容如下:1)给出一种基于小波分解的信号预处理方法。首先对原始心电信号分别采用Daubechies小波和Symlet小波变换进行去噪预处理,利用小波分解滤除高频噪声,实验仿真对比采用Daubechies小波在分解层数为6时,信噪比达到最高。其次根据MIT-BIH数据库文件标注信息检测QRS波,并进行心拍划分,完成心电信号时域波形数据集的构建。在时域数据集中,主要从QRS波形态学角度选取异常信号特征,进而来区分六类心电信号。2)给出一种基于时频变换的信号特征分析方法。针对心电信号的单一特征识别准确率低的问题,选取基于短时傅里叶变换和连续小波变换方法,完成对心电信号数据的时频变换,构建含有足够有效特征的频域和小波域数据集来训练深度迁移网络。在时频域数据集中,主要从幅度谱分析和功率谱估计两方面提取特征向量,包括频谱均值、频谱标准差、功率谱标准差三个特征值,进而将正常信号与心律失常信号进行区分。3)设计一种基于深度迁移学习网络应用到心电信号分类识别中。针对分类方法中需要训练大量数据以及模型复杂度较高问题,引入迁移学习,利用基于模型迁移学习的特点,改进VGG-16作为预训练网络自动提取心电信号特征,从理论上推导了两种网络算法复杂度,实验证明引入迁移学习缩短了训练时间,降低了运算复杂量,并且在设计的三个数据集上进行实验来验证本文给出改进算法的有效性。