心電圖（ECG）信號在采集過程中容易受內部和外部噪聲干擾，而且不同患者的 ECG 信號形態特征差異較大，即使同一患者在不同時間和環境下其 ECG 信號也會有差異，因此 ECG 信號特征檢測與識別在心臟病遠程實時監測與智能診斷中具有一定難度。基于此，本研究提出將小波自適應閾值去噪和深度殘差卷積神經網絡算法用于多種心律不齊的信號識別過程中。其中，使用小波自適應閾值技術完成 ECG 信號濾波，并設計了包含多個殘差塊（residual block）結構的 20 層卷積神經網絡（CNN），即深度殘差卷積神經網絡（DR-CNN），對 5 大類心律不齊 ECG 信號進行了識別。然后，本文采用殘差塊局部神經網絡結構單元構建 DR-CNN，緩解了深層網絡的收斂難、調優難等問題，克服了 CNN 隨著網絡層數增加而導致的退化問題；進一步引入批標準化（batch normalization）技術，保證了網絡的平滑收斂。按照美國醫療器械促進協會（AAMI）的心搏分類標準，使用麻省理工學院和波士頓貝絲以色列醫院（MIT-BIH）心律不齊數據庫中 94 091 個 ECG 心搏信號（2 個導聯），完成了心律不齊多分類、室性異位搏動（Veb）和室上性異位搏動（Sveb）等分類識別實驗。實驗結果表明，本文所提出的方法在 ECG 信號多分類、Veb 和 Sveb 識別中的準確率分別達到了 99.034 9%、99.498 0% 和 99.334 7%。在相同的數據集和實驗平臺下，DR-CNN 在分類準確率、特異性和靈敏度上均優于相同結構復雜度的 CNN、深度多層感知機等傳統算法。DR-CNN 算法提高了心律不齊智能診斷的精度，該方法與可穿戴設備、物聯網和無線通信技術相結合，可以將心臟病的預防、監測和診斷延伸到家庭、養老院等院外場景，從而提高心臟病患者的救治率，并且有效地節約醫療資源。