心房颤动（Atrial Fibrillation,AF）在临床上表现为颤动或不规则的心跳（心律失常）,是许多心脏异常的诱发因素之一,具有高致残率和高死亡率。因此,心房颤动的精准识别具有重要意义。目前所使用的房颤检测方法主要为基于波形特征和深度神经网络的检测方法。基于波形特征的方法存在手工提取困难,P波不易检测等问题,使得房颤检测准确率一般、效率低下。基于深度神经网络的方法与深度神经网络的层数之间具有很强的关联性。存在计算量大、深度学习可解释性差的问题。同时房颤疾病诊断存在医疗资源不平衡,患者就医等待时间长,不能得到及时诊治的问题。针对以上问题,本文的主要研究内容如下:（1）研究了基于深度学习的房颤信号检测技术,针对心电信号是时间序列这一特性,首先通过残差网络（Residual Networks,Res Nets）卷积特征提取,然后利用门控循环单元（Gated Recurrent Unit,GRU）捕获数据之间的依赖关系,得到GRU的输出,再连接GRU的输出,最后通过softmax分类,得到最终的输出,提高房颤信号的检测精度。（2）研究了基于特征融合的房颤信号检测方法。提取可以代表心电信号特征的统计特征以及时频特征等传统特征,然后使用特征融合方法将其与深度学习特征融合。特别的,针对基于特征简单融合存在计算量大、冗余度高的问题,本文采用判别典型相关分析（Discriminant Canonical Correlation Analysis,DCCA）特征融合方法。DCCA是在典型相关分析（Canonical Correlation Analysis,CCA）上的改进,不仅能最大优化这四类样本同类之间的关联,同时可以最大化降低不同类样本特征之间的关联。（3）分别将深度学习、传统特征、特征融合三种特征提取方法用于房颤信号检测,并基于Cardiology Challenge 2017数据集设计实验,验证所提方法的有效性,设计三组对比试验,进一步分析三种不同的特征提取方法用于房颤信号检测的性能。同时本文针对房颤自动检测算法应用性不强的问题,提出一种房颤自动检测算法在十二导联心电衣及其辅助诊疗平台的应用方法,实现了对本文提出的基于特征融合的房颤检测算法的调用。