目的:心脏传导阻滞是一种常见的心血管疾病,严重的心脏传导阻滞类疾病能够威胁人的生命。通过识别心电图可以便捷高效的诊断心脏传导阻滞类疾病,心电图是临床诊断心脏传导阻滞的常用方法。卷积神经网络是近年发展起来的算法,在图像识别和语音识别领域已经达到应用级别。心脏传导阻滞的心电图识别研究有很大的临床意义,本研究设计一种卷积神经网络算法,实现对心脏传导阻滞定位的准确识别。研究方法:基于卷积神经网络提出本研究的核心算法:多分辨率带连接的ResNet,该网络是在ResNet网络基础上的对网络结构和参数的优化。以医院的12导联心电数据和MIT-BIH心律失常数据库中的II导联心电数据为本研究的数据来源,从中提取训练集和测试集分别用于训练和测试网络,并将多分辨率带连接的ResNet和已有的经典的卷积神经网络进行对比,将训练结果进行可视化和统计学指标分析,画出训练集的收敛曲线、测试集的混淆矩阵、ROC曲线,并计算出准确率、特异度、敏感度、F1分值、AUC值,以评估多分辨率带连接的ResNet和经典卷积神经网络的性能,进行对比分析。结果:1、与经典的卷积神经网络相比,多分辨率带连接的ResNet收敛得更快,收敛曲线更加平滑。2、多分辨率带连接的ResNet训练临床数据库的准确率为92.4%,特异度为98%,敏感度为92.4%,F1分值为0.93,AUC为0.98;训练MIT-BIH数据库的准确率为97.7%,特异度为99.2%,敏感度为97.4%,F1分值为0.97,AUC为0.98,高于经典的卷积神经网络。3、多分辨率带连接的ResNet能够清晰的识别出完全右束支阻滞、不完全右束支阻滞、完全左束支阻滞、左前分支阻滞、正常的心电数据,且有很高的区分度。结论:多分辨率带连接的ResNet在针对心脏传导阻滞定位的识别任务中表现良好,准确率达90%以上,本研究认为多分辨率带连接的ResNet能够用于临床的心脏传导阻滞的辅助诊断。