心脑血管疾病一直是威胁全世界人民生命健康的重要隐患,具有非常高的发病率,已成为影响国民身体健康、阻碍经济发展的公共性和社会性问题,对于心脑血管疾病的预防和治疗刻不容缓。心律失常是最为常见的心血管疾病之一,其异常主要有两种表现形式,基于单个心拍波形变化的心律异常和基于一段时间内多个心拍节律变化的心律异常,两种形式的心律异常都会对人体产生不良的影响。近年来,计算机技术在辅助诊断治疗领域不断发展,心电信号的自动分类研究迎来了新的机遇。本文主要利用机器学习领域的相关知识,对两种表现形式的心律异常信号进行了分类识别研究。对辅助医生诊断心血管疾病预防具有一定的参考价值。本文的研究工作主要从以下几个方面展开探讨:（1）心电信号预处理方面:心电信号具有信号微弱、随机性强、抗干扰能力差等特点,通常采集到的心电信号伴有各种噪声,为给后续研究提供可靠的数据集,通过分析心电信号噪声的特点及来源,选择中值滤波器去除基线漂移等低频噪声、小波分析去除肌电干扰等高频噪声,实验结果表明,两种去噪方法都可以有效的去除心电信号的噪声。（2）基于传统机器学习的联律性及多源性早搏分类识别:针对基于一段时间内多个心拍节律变化的心律异常自动分类研究,目前还没有官方的数据库,因此首先从数据库建立入手,通过对MIT-BIH心律失常数据库中心电数据R-R间期提取以及切分,并利用滑窗方式进行数据增强,构建适用于联律性及多源性早搏分类识别的数据库,该数据库包含偶发早搏、早搏二联律、早搏三联律、早搏两连发和阵发性心动过速5类异常;然后KNN、决策树和随机森林三种传统机器学习模型进行分类识别,并且取得了很好的分类效果,其中识别效果最好的随机森林模型对5类心律异常信号识别的准确率分别达到了97.39%、98.62%、99.09%、96.87%和97.73%。（3）基于2D-CNN-BilSTM并联网络的心律异常分类识别:针对基于单个心拍波形变化的心律异常的分类识别,首先将一维的心电信号映射到二维空间,即2D-ECG,以便卷积神经网络可以更好的提取心电信号的空间特征,实验结果显示,2D-ECG在CNN上表现得比一维心电信号性能更好;然后结合长短时记忆网络对时间序列处理的优势,提出了2D-CNN-BiLSTM并联网络结构模型,同时对心电信号在空间和时序上进行特征提取,对比单一的CNN和BiLSTM网络结构,实验结果显示其对正常、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏和起搏心跳的识别精确率分别达到了99.19%、99.21%、99.46%、99.07%、99.34%和99.28%。