心电图是诊断和预防心律失常和心肌梗死等严重心血管疾病的重要参考,通过观察心电图的波形变化情况,结合临床可以诊断出相关的心血管疾病,我国医疗资源紧张,需诊断的心电图数据体量巨大。随着深度学习算法和医疗数据结合应用的研究日益成熟,深度学习的算法模型可以对心电信号等医疗数据进行预处理后分类和分析研究,是一种辅助性的诊断方法,可以减轻医生诊断的压力。针对深度学习算法模型的心律失常分类,本文研究以深度残差收缩网络为模型基础,MIT-BIH数据集为数据基础,对心律失常心电信号进行预处理和检测分类,并与其他经典网络进行对比分析,主要在以下三个方面展开研究:（1）搭建一维改进的残差收缩网络心律失常心电信号分类模型。改进残差收缩网络的模型,使网络达到更优的分类效果。将残差收缩网络模型中的二维卷积层降为一维卷积层,网络的计算量减少,适合一维心电信号的输入。调整注意力机制子网络的计算层,采用更合适的池化层和激活函数处理心律失常心电信号。残差收缩网络模型采用更大的过滤器特征通道数,增强网络提取数据特征的能力。（2）基于一维改进的残差收缩网络算法模型,完成心律失常心电信号的训练分类。残差收缩网络融合了注意力机制和软阈值化的子网络,是一种可以过滤噪声的神经网络。心电图的采集过程中易融合许多其他噪声干扰,工频干扰、肌电干扰等,具有更优抗噪性能的神经网络对于心律失常心电信号的识别能力更强。基于MIT-BIH数据集,输入预处理的心电信号进行检测分类。预处理的心电信号未做任何去噪处理,保留最原始的信号特征,通过设计模型和参数调优,网络模型完成了四类心拍的有效分类。（3）对改进的网络模型进行实验结果分析研究。介绍了网络模型分类器的评价指标,搭建了其他两个网络,卷积神经网络以及残差网络进行实验对比。从准确度、敏感度、F1分数、混淆矩阵、网络损失和准确度对比曲线等指标进行对比分析研究。一维改进的残差收缩网络在数据未去噪的情况下,分类准确度达到99.51%,F1分数为97.96%,网络抗噪的实验的技术指标表现出更好的稳定性,抗噪性能更优。