睡眠呼吸暂停综合征是一种影响广泛的睡眠障碍,可引发多器官病变。由于众多研究发现其与心电信号存在高度相关性,因此利用心电图信号对睡眠呼吸暂停进行检测已成为研究热点。然而已有的基于心电的检测算法仍然面临许多问题,包括需要复杂的特征工程、缺乏对睡眠呼吸暂停的心电时序特征的考虑、无法自适应对心电信号进行预处理等。针对以上问题,本文从深度学习方向入手,展开研究内容如下:（1）针对现有检测算法需要进行复杂的特征工程、严重依赖经验参数的问题,本文提出了基于双流框架的睡眠呼吸暂停检测模型。本文使用心电信号作为第一路输入,利用卷积神经网络对局部细节的抽象能力以及双向GRU提取上下文时序信息的能力进行特征提取。由于R-R间隔序列被证明可用于睡眠呼吸暂停检测,故以其作为第二路输入从中自动地提取与睡眠呼吸暂停综合征判别相关联的特征。通过在Apnea ECG公开数据集上的实验,验证了所提算法达到了与现有算法相近的检测水平,同时通过消融实验验证两个特征提取模块的重要性。（2）针对现有检测算法缺乏对睡眠呼吸暂停的心电时序特征的考虑的问题,本文提出了基于时间注意力机制的睡眠呼吸暂停检测网络。首次在该研究领域引入注意力机制以捕捉睡眠呼吸暂停相关的时间片段,通过给相关时间片段分配更多的注意力权重,增强相关区间的信息特征,同时降低不相关区间的干扰。通过该模型中间结果的可视化和跟现有算法在性能指标上的比较,验证了所提出模型可以有效捕捉睡眠呼吸暂停发生的时间区间,并在检测效果上达到了与现有算法相当的水平。（3）针对现有算法无法适应多样噪声干扰的问题,本文探究了基于Unet++的自适应预处理网络在心电信号去噪中的作用,进而提出了加入自适应去噪子网的端到端睡眠呼吸暂停检测方法。心电信号通常受到多种噪声干扰,基于人工经验参数的方法虽然起到一定的去噪作用,然而其参数易受到噪声的影响。Unet++可以捕获和融合信号的细粒度和粗粒度时序信息,更有利于实现心电的自适应去噪。通过以Apnea ECG数据集和MIT-BIH噪声压力测试数据集为基础构建的数据库上的实验,验证本文提出的自适应预处理网络有较好的去噪能力。同时通过对比实验,加入自适应预处理子网的端到端网络相比现有算法均衡误差率平均降低1.36%,可以获得更好的检测效果。