随着我国人口老龄化进程的不断加剧以及现代青年人的压力不断增大,心律失常的发病率也在逐步上升。目前检测心律失常的方法是人工解释12导联心电图,要求心电医生或临床技术人员对心电图进行失常检查。人工解释心电图过于耗时耗力,并且要求医生具备丰富的心电病理知识和心电疾病诊断经验。因此,如何更好地自动检测12导联心电图中的心律失常是一个十分重要并且具有挑战性的任务。本文针对多导联心电信号进行9种心律失常类别的识别研究:正常(N),心房颤动(AF),I度房室阻滞(I-AVB),左束支阻滞(LBBB),右束支阻滞(RBBB),房性早搏(PAC),室性早搏(PVC),ST段降低(STD),ST段抬升(STE),它们被认为是心律失常的代表。本文的主要工作如下:1、针对12导联心电图数字化问题,采用HSV阈值、数学形态学等技术将心电图转换为数字信号,并针对心电图中普遍存在的导联波形交叉问题,提出了一个双向曲线预测方法来跟踪导联波形,确保心电图数字化的准确性以及成功率。2、针对心电信号中的噪声干扰问题,首先采用零相位的低通巴特沃斯滤波器结合双树复小波变换滤除心电信号中的高低频噪声。3、针对心电信号中特征提取问题,采用小波变换和自适应双阈值的方法识别QRS波群,对于个别样本R波振幅不明显的问题,采用线性放大结合滑动窗口积分的方式处理心电信号来突出R波,平坦化其他波形并在R波检测结果上采用“不应期”的方式来避免QRS错捡。4、针对12导联心电信号中心律失常检测问题,本文采用深度学习的方式对心电信号进行检测,并采用Catboost算法对模型分类结果和人工提取的HRV统计特征来进行模型融合工作,以进一步提高心律失常检测的F1值。本文使用CPSC2018信号挑战赛的数据集来进行模型训练与测试,在南京医科大学附属逸夫医院提供的心电图样本数据集上进行测试并获取了较为优异的成绩。