生物医学领域的数据,包括视频,图像以及信号数据等,在医学领域得到了广泛的应用。其中,非侵入检测的心电图(electrocardiogram,ECG)信号是被研究的最为频繁的数据之一。由于医患比例的极低性以及ECG数据量的庞大性,使得心律失常的预防和诊断成为一个长期的问题。而随着机器学习,深度学习等技术的发展并在生物医学数据领域取得成功,心律失常的分类问题正朝着智能,快速,高精度以及多样化的方向发展。本文结合卷积神经网络和循环神经网络对ECG数据进行预处理和分类研究,主要研究内容如下:(1)在ECG信号中主要存在三种干扰:肌电噪声、工频噪声以及基线漂移现象。本文针对这一现象对比采用了三种传统滤波器分别对这三种干扰进行滤波以及采用了一种双正交小波变换的方法对这几种干扰进行一次性滤除的实验效果。经过实验对比,双正交小波的方法在ECG的噪声滤除上更具优势,所以本文选择双正交小波滤波器。(2)针对实验数据中的完整的QRS波的采样问题,由于在单个QRS波的采集上存在的QRS波采集不完整的问题,本文提出了单个完整的RR波的数据采集方法,并用实验模型对采集到的数据进行心波分类。为了进一步提高分类性能,在单个RR波的基础上,考虑到ECG信号序列的时间关联性,提出双RR波的采集,并用实验模型对数据进行分类。最后通过对三种采集到的心拍数据的分类对比实验证明了双RR波相较于单个QRS波以及单个RR波具有更好的表达特征能力。(3)本文综合CNN网络和BGRU网络的特性并结合心波数据的特征提出一种基于CNN和BGRU的融合分类模型对MIT-BIH的心律失常数据进行全部23种类别的分类,并将实验结果与单个的CNN和单个的BGRU分类模型进行对比,实验结果证明了融合模型的性能优越性。其次,为了验证深度学习算法的性能,本文也提出两种机器学习算法:支持向量机与随机森林,进行对比实验,实验结果也表明在ECG分类上,深度学习方法相较于浅层机器学习方法有更好的性能表现。