目前，心血管疾病已经成为危害人类健康的重大疾病，此类病患数量不断增长。心电图（ECG）是医生诊断该心血管疾病的重要依据，能真实地反映心脏的健康状况。此背景下，医疗资源匮乏与患者数量激增之间的矛盾日益凸显。利用计算机辅助诊断心血管疾病变得尤为重要，因此对于心电图自动分类方法的研究具有很强的现实意义。
　　传统方法大多基于单一心拍的分类，忽略了整条心电图记录中，各心拍之间的局部特征和位置关联特征；现有分类方法使用简单的神经网络来提取信号特征，不能准确获取心电信号的多尺度特征，导致模型分类效果不佳。本文基于特征融合与深度神经网络提出了一种心电图自动分类算法，主要研究工作分为以下几个部分:
　　（1）针对心电信号中存在的噪音干扰，本文利用小波变换（WT）对心电信号进行分解重构，滤除其中的噪音干扰，从而得到更为稳定的心电信号。本文提出了一种基于深度卷积神经网络（DCNN）的心电图分类方法，该方法利用其局部感知与权重共享的特点，通过增加网络深度来提取心电信号的深度抽象特征，继而拟合出一个高度复杂的非线性决策函数对心电信号进行分类。同时，该方法使用RAdam来优化梯度，并通过多次实验调整卷积网络的结构和参数，以提高模型的分类准确率。
　　（2）在小波变换的基础上，本文增设中值滤波来规避基线漂移对心电信号造成的干扰。针对心电信号具有时序性的特点，本文在卷积神经网络的基础上添加BiLSTM网络，利用BiLSTM网络来深度挖掘心电信号间的强关联性，该方法能够更好的将卷积神经网络与循环神经网络（RNN）的优势相结合，并提高了心电图四分类任务的准确率。
　　（3）本文提出使用多输入组合模型来提取心电信号的多尺度特征，利用特征融合来提高模型的分类精度。本文设计了一个带有三个不同残差单元的残差网络，通过残差网络特有的快捷链接来增加网络深度，进一步挖掘心电信号的深层次特征。多输入组合模型分别利用卷积神经网络、循环神经网络与改进的残差网络来提取不同尺度的心电信号特征，将提取到的不同心电信号特征进行融合后送入分类器中进行分类。并将该方法在2017PhysioNet/(CinC)Challenge提供的数据集上进行了验证，在心电图四分类任务中F1-score达到0.89，相比其他模型分类性能明显提升。