目前,心血管病的死亡率处于疾病死亡构成的首要位置,已成为全人类健康的共同威胁。探索一种全自动的心脏数据分类和分割算法对心血管疾病的预防和治疗具有重要的理论研究意义。同时,也可以辅助医生从复杂繁重、费时费力的手动分类与分割工作中解脱出来,具有较大的临床实用价值。心电图数据包含了人体心脏活动的丰富信息,在一定程度上反应了心脏各部位生理活动的健康状况,是评估心脏功能、判定心脏疾病的关键因素之一。心脏核磁共振成像技术是一种无创的心脏成像技术,也是诊断心脏及大血管疾病的重要手段,已成为无创性检测与评价心脏结构和功能的重要依据。本文主要基于深度学习理论,系统地研究一维心电信号的自动检测与分类问题和二维心脏核磁图像的自动分割问题。论文主要包含以下研究内容和创新成果:第一,针对心电信号的预处理技术降噪方向进行研究。由于噪声信号存在高频与低频信号,论文提出了改进的形态学小波变换理论的降噪模型,称为ImprovedMorphology-WT模型。一方面,理论上分析了形态学滤波和小波变换方法的可行性,小波基函数的选择策略,分解尺度的决策过程,阈值处理方法和改进的阈值估计函数的构建等问题;另一方面,通过大量实验验证了小波基函数和分解层数的决策过程,也证明了ImprovedMorphology-WT方法对于ECG信号中的低频和高频信号的降噪是合理可行的,而且为信号检测与分类工作奠定基础。第二,针对于房颤信号的检测与分类问题,本文提出了基于卷积神经网络和双向长短期记忆网络的CB-LinkNet模型。卷积神经网络具有很强的特征学习能力,但由于卷积神经网络的提出主要是解决图像分类、目标检测和图像分割等图像的特征提取任务,并没有重点考虑以信号为核心的一维数据,心电信号本质上是时间序列数据。所以,利用双向长短期记忆网络对卷积神经网络的特征学习能力进行补充和调整,使得网络模型更加适用于时间序列信号的特征提取任务。同时,基于原始房颤数据库(MIT-BIHAtrialFibrillationdatabase)的数据,论文分割出两种输入型信号:RR间隔数据(数据集A)和心拍序列数据(数据集B),以验证房颤信号对于输入数据的特征敏感性。论文设计的3组消融性实验最终也验证了模型的鲁棒性和泛化性,模型分类准确率在训练和验证阶段分别达到了99.94%和98.63%,在测试集上达到了96.59%,敏感度和特异度在测试集上分别达到了99.93%和97.03%。同时,本文与国内外房颤检测的模型及分类结果进行了比较分析,本文的研究效果更为显著,充分证实了本研究的实际价值。第三,在对心律失常信号深入分析的基础上,本文提出了三个深度神经网络分类模型对多类心律失常信号进行检测与分类,包括plain-CNN模型和两个MSF-CNN模型(A和B)。其中,plain-CNN模型是具有多个卷积层的基础网络结构;在plain-CNN模型的基础上提出了MSF-CNNA,以提高plain-CNN网络的学习能力,主要是增加了并联组卷积操作(包括三个不同的卷积核,分别是1×7,1×5,1×3);最后,在MSF-CNNA网络的基础上,通过实施串并联组卷积和残差学习模型形成了改进的MSF-CNNA模型,即MSF-CNNB模型,以提高算法的性能。在数据方面,考虑到心律失常类信号的数据特点,本文为模型设计了多尺度的输入信号,以验证数据尺度对于模型性能的影响,同时创造性的在一维信号处理中使用数据增强策略来提高数据的科学性和有效性。六组消融性实验证明了模型泛化能力和鲁棒性,在测试集上,平均准确率、敏感性和特异性分别达到了96.59%,99.93%,97.03%,也充分体现了模型对于心律失常信号分类任务的重要价值。最后,针对于心脏左心室核磁图像的分割问题,本文提出了Res-LinkNet分割模型,模型分为Encoder,Center和Decoder三个部分。Encoder的核心部分是模型设计了ResLink结构模型,这一结构替代了D-LinkNet中的特征提取器—ResNet结构模型。ResNet网络模型是针对于分类任务而设计的,该设计限制了感受野的范围,而且缺乏跨通道的特征交互与融合,ResLink结构模型可以有效地解决这一问题;Center部分的主要结构是DenseASPP。DenseASPP主要是为了有效解决特征图的感受野问题,其包含一个基础网络,后面分别连接5级空洞卷积层,空洞率分别为3,6,12,18,24,实现了混合空洞卷积。一方面,这一结构使得网络深层的特征图的感受野增大,另一方面,它可以有效缓解普通的空洞卷积运算引起的“网格问题”,同时,对不同通道的特征也进行融合;Decoder部分主要是运用密集上采样卷积操作,通过一系列密集上采样卷积操作来将Encoder阶段下采样的特征图放大至所需尺寸,尽可能地恢复图像特征信息。实验进行了三组消融性分析和一组综合比较分析,结果表明,Res-LinkNet101最终平均准确率达到了99.88%,mIOU达到了94.95%,F1Score达到了95.57%,充分体现了模型对于左心室分割的有效性。纵览全文,本文的主要创新点如下:(1)在心电信号降噪技术研究中,论文提出了ImprovedMorphology-WT降噪模型,同时也提出了自适应阈值估计方法和改进的阈值函数来完成模型中的小波分解工作。(2)在房颤信号检测与分类研究中,本文提出了融合了卷积神经网络和双向长短期记忆模型的CB-LinkNet模型,同时设计两类输入型信号以评估房颤信号的特征敏感性。(3)在多类心律失常信号检测与分类研究中,本文提出了三个端到端的分类网络模型,同时创新性的在信号中设计了数据增强方法,以有效避免模型过拟合。(4)在左心室分割研究中,论文提出了Res-LinkNet分割模型,并在Encoder部分设计了基于Attention的ResLink结构模型来完成对心脏核磁影像的特征提取工作。