心律失常是心血管疾病的常见病症,与其相关的研究一直是医学界备受关注的课题,主要通过心电图对其进行筛查与诊断。通过计算机与相关算法对心电数据进行分析,利用其波形形态特征与节律信息获取患者的生理、病理状态,能够有效提高心血管疾病的筛查效率,辅助医疗工作者,节省医疗成本,亦能够弥补因医生经验差异或知识水平差异而造成的漏诊或误诊的现象。目前,在心电数据分析上的传统算法会运用到知识推理或结构模式识别的方式,但因其所能表达的模式无法描述多样而复杂的心电图波形,在应用上存在局限性。本文针对基于心电图的心律失常自动诊断问题,研究了心电数据以及深度学习相关文献,基于深度学习技术与数据均衡策略提出了一系列的数据预处理方案、数据均衡方案、模型搭建方案与性能评估方案,设计并实现了一种基于ResNet结构的一维卷积神经网络对心电图进行有效的心律失常疾病识别,论文的主要工作与成果如下:（1）研究了心电数据的产生方式、波形构成与心律失常波形形态特征,通过所拥有的心电数据与专业医生对其诊断的结果进行数据抽取,完成了心电数据集的构建。针对心电数据集存在的基线漂移、肌电干扰等噪声问题,利用和合理的滤波方式对数据进行噪声消除,为后续的模型训练打下良好基础。（2）心电数据集中存在的严重数据不均衡问题,在绝大多数心律失常类别上其正例样本与反例样本数量差异悬殊。针对该问题本文研究并设计了数据均衡策略,通过数据、算法、评价指标三个层面的方案来减少类别数量差异以及提升模型学习效率,有效地降低了数据不均衡问题的影响。（3）分析了心电数据的周期特性以及波形形态,基于full pre-activation 结构的 Resnet 模块设计深层一维卷积神经网络,利用处理完毕的数据集与合理策略进行模型训练。并根据多种深度学习网络模式搭建实验组模型,通过准确率、灵敏度、F1分数等多项指标来验证模型结构设计的有效性以及完成性能测试。（4）研究了模型可视化方法,实现了模型的可视化,完成了模型在移动端的部署。本文从网络层间特征图与GradCam可视化技术出发,对网络所抽取的特征形态以及类别判定依据进行展示,为模型在心律失常分类过程中提供了一定的可解释性。并将模型部署至移动端,从而实现离线、便携的心电自动诊断,在提升诊断便利性的同时,可有效保障医疗数据的安全性与隐私性。