心率快慢与心律正异常是描述人体心脏健康状态的重要指标。虽然研究者们已经对心率估计与心律失常诊断方法开展了众多有益的研究,但现已提出的心率估计方法与心律失常诊断方法分别依然存在一些不足。心率估计方法依然存在普适性不足的问题,如无法对受噪声影响严重的心电信号或包含某些心律失常的心电信号取得较好的准确性等。现已提出的心律失常诊断方法普遍存在准确性不足的问题。鉴于心率估计和心律失常诊断,这两大任务在心电图检查中的重要临床意义以及当前方法的不足,本文致力于研究一种高普适性的心率估计方法和一种更高准确性的心律失常分类方法。针对心率估计问题,本文提出了一种基于Multiscale SDCNN-Bi LSTM-Net实现的单导联心电信号心率估计方法,该方法基于神经网络分割得到包含QRS波峰且宽度有限的区间,并在分割得到的区间上定位波峰点,然后计算心率。由于不存在包含QRS波峰且宽度有限的区间的标注,本文提出了一种基于分段线性表示且基于QRS波峰的标注分割目标区间的方法。本文还提出了一种波增强方法,应用于心电信号数据的预处理过程。该方法在保留心电信号有效临床信息的条件下,降低信号数据的时间维度,并且增强QRS波、其他特征波和非波的差异。本文所提出的心率估计方法在CPSC2019数据集进行评估。实验结果表明,此方法在QRS波峰的定位和心率估计上都表现出很好的准确性,实验结果也证实将本文提出的波增强方法应用于心电信号的数据预处理能有效提高包含QRS波峰且宽度有限的区间的分割和心率估计的准确性。针对心律失常分类问题,本文在现有心律失常分类方法的基础上,提出了基于Attention-Based Res2-Bi LSTM-Net实现的12导联心电信号多标签分类的方法。本文针对心律失常分类问题中存在样本类别分布不平衡问题和样本分类难度不平衡问题,通过对比实验来选择分类表现最优的损失函数。实验表明GHMC Loss损失函数具有很好的分类表现。Attention-Based Res2-Bi LSTM-Net是在已有工作的基础上改进得到的。对照实验表明,所提出的改进神经网络模型是有效的且优于原有模型的。最后对照实验证实本文所提出的波增强方法应用于12导联心电信号多标签心律失常分类能提高准确性。