目的:心血管疾病的发病率和死亡率逐年上升,已成为重大的公共卫生问题。这类疾病尤其是心律失常表现出心电图上的形态学变化,仅依靠专业医师对这些振幅低且细微的形态学改变的评估是耗时且具有挑战性的。针对异常心电信号检测,目前主要根据固定长度信号给一个检测结果,但不会标明信号内具体的异常波段;或为了实现心周期分类先对信号进行定位、分割,再进行诊断,该过程需要大量医生标记的心周期标签。本研究中,针对不均匀分割的多标签心电信号,基于多示例多标签学习框架提出异常波段检测算法,利用信号的多标签注释训练模型针对未知信号段实现多标签分类和不同疾病对应的信号内异常心拍定位,辅助临床医生做出更精确的疾病诊断。方法:本研究在多示例多标签学习框架的基础上,进一步结合卷积神经网络设计MLNN+标记器,结合U-net模型设计MIMLU-net标记器。两种标记器利用聚合函数完成示例概率合并,实现未知信号的多标签分类和信号内异常心拍定位。本文针对MIT-BIH心律失常数据库,按照8种心周期类别截取A-E共5个包含不同心拍数量的数据子集。MLNN+模型利用A-D这四个数据子集进行训练和测试,MIMLU-net模型利用A-E这五个数据子集进行训练和测试。本文在包和示例两个级别上利用不同评价指标对模型的结果进行了评价。结果:在包级别上,MLNN+和MIMLU-net模型相比于对比算法在性能上都有所提升,所有指标上均呈现优于对比算法的结果。MLNN+模型,在四个包含固定心拍数的数据子集上针对所有指标均实现最好效果;MIMLU-net模型实现可变长度信号多标签分类。示例级别上,在包含固定心拍数的数据集上MLNN+模型也实现最好性能,且相比于ISR函数,结合Max函数的模型更适应于长时信号段,产生更少的假阴性错误。本文提出的模型对除心室融合心跳和房性早搏的类别上均实现较高的信号分类和异常心周期识别准确率。结论:本文针对多标签心电信号结合多示例多标签学习和深度神经网络提出新的模型,实现未知信号分类以及信号内异常心拍定位,预测生成的类别激活图如实反映了各个心动周期的状况,辅助临床医生做出更精确的疾病判定。