随着深度学习理论和技术的快速发展,借助深度神经网络对心律失常进行识别已成为智能医疗健康领域的研究热点。然而,基于深度学习的心律失常识别模型缺乏高效的心电(Electrocardiogram,ECG)信号R峰定位方法和时空特征提取方法,影响了心律失常识别的准确性,严重制约其在计算机辅助心律失常诊断中的广泛应用。针对上述问题,本文以ECG信号为研究对象,基于深度学习方JNJ-42756493价格法和理论,重点研究ECG信号R峰定位方法和心律失常识别方法,主要研究内容为:1)基于改进U-net的QRS波群检测与R峰定位方法。该方法通过卷积神经网络和双向长短期记忆网络分别提取ECG信号的空间特征和时序特征,并在快捷连接时加入残差路径,从而解决U-net网络中编码器与解码器特征差异的问题。最后采用阈值筛选算法实现R峰定位。MIT-BIH数据库、CPSC2019数据库和PTB-XL数据库的实验结果表明,该方法的R峰定位精度优于现有同类方法。2)基于多尺度特征融合神经网络模型的心律失常识别方法。该方法在上述R峰定位方法的基础上,利用当前心拍、当前心拍的QRS波群和结合当前心拍前后的多心拍三种尺度的Eselleck VP-16CG信号,通过自动编码器提取时空特征,然后将每组时空特征通过时空注意力模块进行加权,最后将三组加权后的特征通过通道注意力模块加权,并通过Softmax函数进行心律失常分类。MIT-BIH数据库的实验结果表明,该方法的心律失常分类准确率达到了99.52%,优于现有同类方法。本文从提高ECG信号的R峰定位精度和Membrane-aerated biofilter心律失常检测模型的时空特征提取能力两方面进行了研究,有效地解决了心律失常识别准确性问题。所提出的方法将为人工智能融合心律失常识别奠定理论和技术基础,为提高ECG信号分析效率提供新思路。