心电图（Electrocardiogram,ECG）是一种被广泛使用的非入侵性检测技术,能够帮助医生诊断多种心脏疾病。心律失常作为心脏疾病中发病率较高的一种,需要及时有效的治疗。动态心电采集设备可以随时随地对患者进行心电检测,但在使用过程中会面临识别效率低、受噪声干扰等问题。卷积神经网络（Convolutional Neural Network,CNN）功能强大,在图像和信号处理方面表现优异。本文以CNN为基础,提出三种算法用于解决动态心电采集设备使用过程中遇到的三类问题:常见心律失常分类、ECG信号噪声检测、严重心律失常—心房颤动（AF）分类。主要研究工作如下:（1）面向心律失常智能诊断的一维卷积神经网络（1D-CNN）算法研究通过分析心律失常诊断中面临的实际问题,使用动态心电采集设备采集的ECG数据,预处理后进行人工标注,制作数据集。以CNN经典分类模型为基础,针对诊断过程中发病率较高的12类心律失常,提出1D-VGG16、1D-Res Net18、1D-Res Net34和1D-Goog Le Net四种1D-CNN算法。分析不同卷积核尺寸和不同算法对心律失常分类的影响。最后通过与经典算法SVM、RBF对比,验证本文算法对12类心律失常具有良好的分类效果,可用于辅助医生对病症诊断。（2）基于CNN的ECG信号噪声目标检测算法研究ECG信号在采集过程中受周围环境影响,会混入不同类型的噪声。本文对肌电噪声和电极运动伪迹两种噪声进行研究。以YOLO目标检测算法为基础,对ECG信号所含噪声进行检测,提出YOLO-ECG噪声目标检测算法。首先在公开数据集中获得无噪ECG数据和噪声数据,两者叠加得到不同信噪比的含噪ECG数据。通过不同噪声水平、不同噪声类型两组实验,得出YOLO-ECG算法对噪声良好的检测效果。对比YOLOv3和YOLOv3-Tiny算法,从分类准确率和算法复杂度两方面分析,验证YOLO-ECG能够有效降低算法复杂度,准确筛选出ECG信号所含噪声,为后续提高心律失常诊断准确率提供便捷。（3）针对动态心电检测设备的AF检测算法研究心房颤动（Atrial Fibrillation,AF）作为心律失常中较为严重的一类疾病,由于成因复杂且发病突然,需要长时间心电监测才能确诊,AF检测成为众多学者的研究热点。本文采用Physio Net/心脏病学挑战赛数据,对在嵌入式设备广泛使用的Mobile Netv3网络结构加以改进,提出针对AF分类的Mobile AF算法。对比公开挑战赛排名靠前的五种算法,从算法分类准确率、模型复杂度和训练时间三方面比较,得出Mobile AF算法分类准确率在六种算法中排列第二,仅低于公开赛排名第一算法2%左右。但复杂度和训练时间较其它对比算法减少90%左右。最后对临床数据进行实验,验证Mobile AF算法对AF良好的分类效果,适合在动态心电检测设备中使用。