随着人类社会不断发展,心血管疾病对人类健康的危害性日益凸显。心电信号是诊断心血管疾病的常用方法,而心电信号的人工分析需要耗费医生大量时间和精力,也限制了家庭和社区监护等日常情况下的应用。近年来智能医疗技术快速发展,使用基于心电信号的深度学习算法模型自动智能诊断心血管疾病的研究层出不穷。通过自动诊断算法的部署,可实现对心电信号的长时间、高效率的分析,减轻医生负担,同时及时给出诊断结果,改善病人的预后。由此,本文对深度学习模型在心电信号诊断上的应用进行了深入研究,以准确识别心律失常和心肌梗死(Myocardial Infarction,MI)两类常见心血管疾病,主要内容可以分为以下几个方面。首先,基于单导联心电信号构建1维卷积神经网络(Convolutional Neural Networks,CNN),完成对常见心律失常的诊断。基于传统机器学习的方案往往需要人工提取和选择特征,而1维CNN作为深度学习的代表,通过训练可自动捕捉心电信号中的关键信息,无需过多人工干预。同时,本文所采取的CNN结构足够轻量化,并且在小型片上系统(System on a Chip,SoC)上与其他算法联合实现,可实时完成心电信号数据流的分析和诊断。因此,算法除适用于PC平台,也适合于计算资源受限的可穿戴或便携式设备,应用场景更为广泛。其次,基于4导联心电信号提出了多导联CNN(Multilead-CNN,ML-CNN),专门用于诊断发病率最高的广义前壁MI(Generalized Anterior MI,GAMI)。多导联心电信号具有差异性和整体性两大特点,不同导联因位于心脏不同距离和角度,采集的特征信息存在显著差异,但所有导联作为一个整体,描述了当下同一心脏的生理状态。ML-CNN是根据以上心电信号特点改进而来的模型,由特殊设计的亚2维卷积和导联非对称池化(Lead Asymmetric Pooling,LAP)组成,处理多导联心电信号堆叠而成的2维矩阵。其中,亚2维卷积在不同导联上共享1维卷积核,利用了多导联心电信号的整体性;而LAP在不同导联上使用不同的池化因子,强调多导联特征的尺度差异。在实验中,ML-CNN能更适用于多导联心电信号,对GAMI的诊断准确率达到了96.00%,敏感度和特异性分别为95.40%和97.37%。另外,基于12导联心电信号提出了多特征支CNN(Multiple Feature Branch-CNN,MFB-CNN)及其改进版本,完成对更广泛类型MI的诊断。独立特征支由1维卷积层和池化层构成,与导联一一对应,分别提取各导联差异化的特征,最终由全局全连接层汇总综合判定疾病,体现多导联的整体性。而在其改进版本多特征支卷积双向循环网络(MFB-Convolution Bidirectional Recurrent Neural Network,MFB-CBRNN)中,引入了长短时记忆网络(Long Short Term Memory,LSTM)汇总多导联信息,并通过随机导联屏蔽(Lead Random Mask,LRM)避免过拟合以及实现隐式集成,提升泛化能力。以上两者在基于类别,针对特定病人以及基于个体的实验中均取得了良好的效果,准确率均在93%以上。本文工作涵盖了从单导联,4导联以至全部12导联心电信号的自动诊断算法,并创新性的提出专门针对多导联特性的改进型CNN。在导联较少的情况下,实现了对模型的SoC部署与实时运行监测,拓宽了其应用范围。经有效整合和进一步改进后,本文算法可在未来智能医疗和辅助诊断中发挥积极作用。