心律失常是一種常見的威脅人類健康的心血管疾病，其主要的確診手段靠心電圖（ECG）。采用計算機技術實現心律失常自動分類可有效避免人工誤差，提高診斷效率并降低成本。心律失常自動分類算法大多集中于一維時序信號的處理，其魯棒性不足。為此，本文提出一種基于格拉姆角和場（GASF）和改進的Inception-ResNet-v2的心律失常圖像分類方法。首先使用變分模態分解進行去噪，用深度卷積生成對抗網絡進行數據擴增，然后使用GASF將一維時序心電信號轉換為二維圖像，并使用改進的Inception-ResNet-v2網絡實現AAMI推薦的五種（N、V、S、F和Q）心律失常分類。在MIT-BIH心律失常數據庫測試實驗表明：在患者內（intra-patient）和患者間（inter-patient）范式下分別獲得了99.52%和95.48%的整體分類精度。本文改進的Inception-ResNet-v2網絡的心律失常分類表現優于其他方法，為基于深度學習的心律失常自動分類提供了一種新途徑。