心律失常是一种心脏传导异常疾病。自动识别不同类型的心跳对于心电图（Electrocardiogram,ECG）分析非常重要,其结果可作为心律失常确诊的依据。得益于当今庞大的ECG数据库,使得开发一个准确的计算机辅助诊断系统来加快医生的诊断过程成为可能。论文基于能够自主学习的卷积神经网络（Convolutional Neural Network,CNN）技术对心跳分类算法展开了以下研究:一、研究了一维卷积神经网络（1D CNN）的基础理论和应用。针对心电信号是一维时间序列的特点,探寻了适用于序列分析的1D CNN的典型结构,并通过详细地介绍该结构下的前向和反向传播过程,以及激活函数和正则化两个关键的优化技术,对基于1D CNN的心跳分类应用流程进行了分析。二、研究了一种融合物理信息的混合卷积神经网络（Hybrid Convolutional Neural Network,HCNN）。针对传统CNN仅以心跳作为输入,忽略了其它在临床上有意义的物理信息的问题,提出了一种HCNN结构。它包含两个输入:主输入和物理信息输入。论文将后者分别与传统CNN的输入层、卷积层和全连接层进行拼接,并通过推导其前向和反向传播过程,实现了三种HCNN的子结构。该结构不仅保留了传统CNN的自主学习特征的能力,还能够引入有利于分类的物理信息综合进行分类。此外,对于Dropout在HCNN上的应用,提出了先Dropout再拼接和先拼接再Dropout两种不同的方案。三、研究了HCNN在心跳分类中的应用。针对大多数的CNN算法对房性早搏（Atrial Premature Contraction,APC）的识别率较低的问题,应用HCNN结合RR间期来进行改善。该方法以传统CNN为比较对象,分别实验了所设计的三种HCNN,并通过临床2970个患者对其性能进行验证。结果表明,HCNN在12导联上获得了87.56%的平均准确率,较传统CNN提高了3.72%,主要体现在对于APC识别能力的提升上。其中,与输入层拼接后的HCNN改善程度最大,其V1导联的APC灵敏度从56.18%增加到了80.15%。同时,还在HCNN上实验了两种Dropout方案,结果表明先Dropout再拼接能够获得更高的准确率。