心血管疾病已成为目前最常见的死亡疾病,全球超过31%的死亡是由于心血管疾病造成。心电图（Electrocardiogram,ECG）作为一种无创检测方法,是检测和诊断心脏疾病的重要工具。而使用计算机辅助诊断对心电信号进行智能检测和诊断,成为心血管疾病智能诊断领域的研究热点。在大数据时代,数据规模呈指数级增长,传统的机器学习算法需要消耗大量的计算资源学习数据特征,且稳定性不足。近年来,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习对处理大数据规模下的图像识别、图像分割、信号处理和自然语言处理等领域都有较好的运用,使得以CNN为代表的深度学习在ECG信号自动识别分类有较为广阔的应用前景。基于以上考虑,本文以CNN模型为基础,根据不同的心电信号数据特点,研究基于改进CNN模型对心电信号自动识别的应用,主要内容包括以下三个方面:首先,对于单导联心电信号的样本维数较高,训练样本数量大,造成计算复杂度高等特点,需要考虑如何使用较小计算量挖掘深层特征。因此,本文提出了一种带有差分序列的卷积神经网络模型（1d-CNN-DS）,该模型使用了简洁的差分方法、平滑的非线性激活函数和与损失函数结合的自适应学习率来解决单导联心电信号识别的难点。结合实验证明,本文提出的1d-CNN-DS在单导联心电信号识别中有良好的性能。其次,由于隐私或数据采集等原因的影响,心电信号不同种类中的数量会出现不均衡的问题,造成识别过程中出现假阳性或假阴性问题。为了解决此问题,本文提出混合随机合成少数类过采样技术（Multiply Stochastic Synthetic Minority Oversampling Technique,MS-SMOTE）与改进的特征选择卷积神经网络（Feature Selection Convolutional Neural Network,FS-CNN）结合的新算法。通过实验证明,本文提出的算法在处理数量较大的ECG多因素数据分类中有良好的效果。最后,考虑心电信号在采集过程中会出现信号长度不一致,信号值缺失,而CNN网络的输入维度固定,无法接受长短不一致的信号,对ECG序列识别产生阻碍的问题,本文提出独立循环神经网络（Independent Recurrent Neural Network,Ind RNN）与改进CNN结合的模型。通过Ind RNN识别并合成心电信号至需求长度并使用CNN进行识别。同时,使用改进的果蝇优化算法（Fruit fly optimization algorithm,FOA）对组合网络模型参数进行优化,以使其有更突出的性能。通过实验证明,Ind RNN-CNN网络处理可变长度ECG序列有较好性能,而FOA对优化Ind RNN-CNN网络有一定效果。