心血管疾病是危害中老年人健康的主要疾病,这种疾病一般是长期缓慢发展所形成的;但是,由于现在年轻人的饮食不规律以及缺乏运动,导致了越来越多的年轻人也会患上心血管疾病。在众多的心血管疾病类型当中,心律失常是一种非常常见的疾病,对心律失常进行正确的分类与识别,有着非比寻常的意义。心电图（Electrocardiogram,ECG）描绘出了心脏在跳动时产生的电位变化规律,现已成为医师们判断心律失常病情的最主要依据。而随着全世界各国人民防范意识的增强以及家用心电监控仪的广泛应用,采集到的心电图数量也在日益增加,但鉴于目前医疗条件的限制,仍无法让医生们开展大规模的心律失常诊断,所以,对心律失常疾病的自动识别技术已经变得必不可少。ECG心电信号是判断心律失常病情的一个基本依据,它能够反映出心脏的活动状态。目前,对于ECG心电信号的自动分类方法主要为基于经典机器学习的方法以及基于深度学习的方法。经典机器学习方式首先是需要人工提取ECG心电信号特征的,然后再将其输入分类器中加以分析;但是,人工提取特征的方式很难将ECG波形的重要特征充分挖掘,从而导致分类的准确率偏低。使用深度学习方法能够利用神经网络对特征自动提取,避免了人工提取特征这一不足之处,但是目前的大部分研究都是建立在使用深层神经网络的基础上,这将导致网络的参数量非常庞大,不利于模型的收敛,还增加了计算量。而且单个分类模型的泛化能力具有局限性。关于上述问题,我们可以把基于深度学习和集成学习结合起来,运用到心电信号分析研究上,先利用神经网络自动获取心电波形的特性,并且训练多个浅层的深度学习网络模型,然后再综合不同分类器的计算结果,采用投票法得出最后的预测结论;本论文主要工作如下:首先阐述了ECG分类的研究背景、研究意义以及国内外的研究现状;然后介绍了ECG心电信号的产生机理和波形特征,其具体的分类步骤包括数据预处理、心拍切片、特征提取和分类,论述了ECG心电信号的各种特征提取和分类算法,并比较和分析了各个深度学习算法的优越性与其不足之处,ECG心电信号的预处理步骤,包括对原始心电波形去噪、心拍分割和数据归一化。由于心电信号的噪声存在着连续性和突发性的特征,因此采用了小波阈值去噪算法消除原始波形中的噪声干扰;本论文使用的数据集是MIT-BIH公共数据库,以R波为中心截取心拍;最后再对截取好的所有心拍进行归一化处理,便得到了本论文所使用的ECG数据集。提出了一种基于深度学习多模型投票的ECG分类算法。通过集成4个不同初始化的深度神经网络对5类心电信号进行分类,利用加权投票的方法提高ECG心电波形的分类准确率。实验表明,本文的方法在MIT-BIH心电数据集上取得了98%的分类准确率,与传统的机器学习方法以及其他深度学习方法比如PCA+SVM、1DCNN、LSTM、DNN以及CNN-LSTM的分类结果进行比较与分析,均有不小的提升。提出了基于混合卷积神经网络与集成学习的ECG分类算法。针对心电信号的特点,将SE模块加入一维的CNN网络作为一种基分类器,SE-CNN网络中的SE模块可以放大ECG波形中重要的特征;将CNN与GRU网络结合,分析ECG波形的空间特征与时间特性,可以减少数据集中的个体差异对模型带来的影响。最后把1DCNN、SE-CNN、CNN-GRU这三种不同的卷积神经网络作为基分类器,并借助集成学习提高最终的分类准确率,与其他深度学习方法相比,该方法能取得更好的识别效果。