心血管病已经成为威胁人类生命健康的主要疾病之一。临床上,心血管病经常伴有心律失常现象发生。有些心律失常可能导致心脏病的症状,包括头晕、昏倒和呼吸急促,还有些类型的心律失常,如房颤和心室颤动,可能会引起中风和心脏骤停,因此及时准确检测心律失常是紧急且必要的。心电信号（ECG）作为一种表征心脏状况的生理信号,对心律失常的检测和诊断具有重要意义。但由于医学数据的特殊性,其标注成本高,许多数据标注的不完全,模型无法获得足够的训练数据;由于个体差异,数据采集来源、采集方式不同,心电数据不可避免的存在数据分布差异。同时,随着长期监测的穿戴式设备的发展,面向实时检测的场景下,更需要轻量级模型来满足需求。针对以上问题,本论文提出了一种基于对抗域自适应的心电信号分类方法和一种基于领域自适应的端到端心电信号分类方法,实现对心律失常的自动识别和诊断,具体的工作内容如下:（1）针对所使用心电数据集的特点,对其预处理,提高数据质量。本文分别进行了基于带通滤波器及离散小波变换的降噪处理,基于滑动窗口或固定窗口的心拍分割及统一处理,基于Z-score方法的数据归一化操作,基于传统方法的时间特征提取以及针对所使用数据集类别不平衡问题,通过SMOTE算法,修改损失函数等方法扩充数据,获取最优的平衡数据集效果。适当的预处理步骤,会有利于后续模型提取特征的准确性。（2）针对目前高质量带标签的样本数量较少,模型无法获取足够多的训练数据;个体机能以及采集设备的不同造成样本数据的个体差异及数据分布不同的问题,提出了一种基于对抗域自适应学习的心电信号分类方法。该方法通过对抗域自适应学习解决带标签的训练数据少的问题,改善不同域样本数据分布不同造成的模型无法直接复用的现象,提高训练分类模型的效率;同时使用多个特征提取器提取多尺度特征,将时间特征与深度学习模型提取特征结合,增强特征的丰富性;最终通过这些特征训练一个高度适用的分类模型。（3）针对可穿戴设备对分类算法简洁性和实时性的要求及数据分布不同造成的模型可复用性查的问题,提出了一种基于领域自适应的端到端心电信号分类方法。该方法优势主要有:1)该端到端方法利用深度神经网络（DNN）进行特征提取和心拍分类。端到端的模型避免了手工处理特征的需要,简化了信号分类流程。2)利用领域自适应思想改善数据集间分布差异,通过训练集训练的模型更好的应用到测试集3)构建了只有三个卷积网络块和两个全连接模块的浅层模型,处理速度快,满足实时分类的需求,可应用于穿戴式设备实时检测及分类。