随着生活节奏的不断加快,心血管疾病患者也在逐步增多。心律失常是心血管疾病的一种显著早期症状表现,针对其进行智能分类对心血管疾病的提前诊断较为重要。心电图（Electrocardiogram,ECG）作为心律失常诊断的重要依据已被广泛采纳,但ECG数量的剧增给有限的医疗资源带来较大诊断压力,因此针对ECG信号研究心律失常的自动分类势在必行。传统心律失常分类方法依赖手工提取的特征,难以挖掘出ECG信号更深层次的特征信息。随着人工智能的迅猛发展,基于深度学习技术的心律失常分类研究与应用已呈必然趋势。本文基于深度残差收缩网络（Deep Residual Shrinkage Network,DRSN）提出了两种心律失常分类模型,并设计实现了心律失常分类软件。具体研究内容如下:（1）针对现有单一网络模型无法有效提取ECG信号数据时频域特征和信号转换图像后仍携带噪声特征信息的问题,提出基于时频谱图的二维深度残差收缩网络（2D-Deep Residual Shrinkage Network,2D-DRSN）心律失常分类模型。首先通过短时傅里叶变换将ECG信号转换为时频谱图;其次将构建的2D-DRSN在用于提取时频谱图特征的同时进行时频谱图的噪声特征信息的滤除,并实现五种心律类型分类;最后实验结果表明此模型在各分类评价指标以及整体评价指标较优。（2）针对在原始带噪ECG信号数据中提取特征不充分的问题,提出了基于深度残差收缩网络和双向门控单元（Deep Residual Shrinkage Network-Bidirection Gated Recurrent Unit,DRSN-BiGRU）的组合网络模型。首先将预处理后未降噪的ECG信号数据直接应用于该网络模型;其次采用DRSN融合提取波形特征与滤除噪声特征信息为一体的优势,并结合BiGRU对ECG信号数据时域特征的有效提取,实现了六种心律类型的分类;最后通过与降噪前后的各种心律失常分类模型和其他文献研究对比,实验结果表明提出的DRSN-BiGRU模型的性能在各分类评价指标以及整体评价指标均更优。（3）针对上述提出的DRSN-BiGRU网络模型,设计并开发了心律失常分类软件,该软件具有患者信息管理模块、ECG信号读取模块、ECG信号数据预处理模块以及心律失常分类模块功能。本文使用深度学习技术为心律失常分类模型设计提供了可行思路,将深度残差收缩网络应用于心律失常疾病的诊断具有广阔前景。