随着人们经济水平的提高,生活节奏和压力逐渐增大,心律失常已经成为威胁人们健康的重要源头。心律失常是一种异常的心跳节律,是人体心脏患有疾病的前兆。它在患病早期具有一定的隐蔽性,而且随着年龄的增长会增加产生的风险。心电图作为一种检测记录心脏活动的标准工具,忠实反映了人体心脏的健康状况,通过对它分析解读能够诊断出潜在的不规律性。但由于心电信号幅度的微弱,本身的复杂性和非线性,很难使用人工的方法快速精准的分析。因此,从大量心电数据中自动识别不同的异常心跳在临床医疗领域中是一项必要的任务。本文的工作就是要构造一种心律失常自动识别模型,对异常心跳进行识别分类。主要研究内容和结果有以下几个方面:(1)本文基于深度学习方法,在当前研究现状的基础上,提出一种卷积神经网络和长短期记忆网络混合模型,针对四个公开的心电标准数据库中的六类不同的心电类型信号,即正常窦性心律类,心房颤动类,室性二联类,起搏节律类,心房扑动类和窦性心动过缓段进行自动分类识别。工作中提出了两种不同混合模型结构对分类结果进行优化,并验证了优化模型的可行性和对新数据的泛化性。(2)本文使用12层卷积神经网络后接2层长短时记忆网络,对来自MIT-BIH心律失常数据库中的10秒ECG信号片段进行模型训练。之后,本文使用MIT-BIH正常窦性数据库和MIT-BIH房颤数据库作为独立数据库对提出的模型进行泛化性分析。为了增加了训练数据的被试多样性,将Challenge2017数据库增加到训练数据中对模型进行训练,然后对已训练的模型进行独立验证。根据验证结果,提出改进后的混合多输入网络,即增加输入的心电信号相应的RR间期,使用与之前同样的方法进行测试和验证。(3)本文对提出的单输入混合网络使用五折交叉验证策略,在MIT-BIH心律失常数据库上实现了总体的99.01%准确率,总体96.02%的正检测率,96.69%的灵敏度和99.00%的特异性。对于改善后的多输入混合网络,在增大训练量的数据库上使用五折交叉验证策略实现总体99.32%的准确率,总体97.66%的正检测率,97.75%的灵敏度和99.51%的特异性。使用独立数据库对多输入网络进行验证,得到96.94%和96.87%的总体准确率和灵敏性。其中房颤类中有94.30%的独立心电信号被正确识别,相比单输入网络提高了17.71%。上述结果表明,本文构造的深度学习混合网络能够很好地识别几种临床常见的异常心跳,实现对心律失常患者的自动诊断。而且改善后的多输入混合网络对独立心电数据识别结果较为理想,模型的泛化性能够得到保证。该方法能够作为辅助工具帮助临床医生进行心律失常诊断,在实际应用中具有积极意义。