近年来,由于我国人口老龄化继续加剧,饮食习惯变化和脑力劳动者数量不断增加等因素的影响,心血管疾病的发病率、病死率亦呈逐年上升趋势,已成为危害人类健康的“第一大杀手”。在心血管病发病早期,人体内部分生理信号会产生异变,若能利用这些生理信号识别心血管病,就可以及时预警,为患者争取宝贵的治疗时间。然而,我国医疗资源分布不均的现状,使大多数地区存在看病贵、看病难的问题,导致很多人不愿定期体检,忽视身体出现的心血管病早期症状,当心血管病发病时,早已错过了早期治疗的最佳时期,从而威胁自身生命。针对上述问题,本文利用便于采集且在便携式医疗设备中应用广泛的心电、脉搏信号,结合易得的患者自身属性,建立了院外无监督环境下基于深度学习的心血管病识别模型,以期能够在院外不用专业医护人员指导的情况下,实现对心血管病患者的早期诊断。主要工作如下:1)简述心血管病识别的研究背景,并通过分析功能学、影像学、生理信号检测三方面心血管病诊断方法的国内外研究现状指出其存在的问题,从而引出院外无监督环境下的心血管病识别的重要性;此外,通过介绍深度学习在医疗以及其余各个领域的研究现状,分析院外无监督环境下基于深度学习的心血管病识别的可行性。2)论证所选生理信号用于心血管病识别的合理性。从心血管系统的生物电、血流动力学原理及心血管病的发病机理出发,论证了心电、脉搏信号用于心血管病识别的合理性,并介绍了两种信号相对应的心率变异性、脉率变异性及脉搏波传导时间变异性这三类变异性分析方法,为院外无监督环境下心血管病的识别提供理论依据。3)研究并提出用于提取心电信号R波峰值点的小波变换法以及用于提取脉搏信号P波峰值点的差分小波变换法。首先,基于心电、脉搏信号及其心血管病病理部分的信号特征,阐述了现有峰值检测算法的不足;接着,针对心血管病识别需求,研究并提出了相应的主波峰值检测算法;最后,利用不同状态的心电、脉搏信号验证了峰值检测算法的准确率及其用于获取相应信号峰值间期变异性的可行性,为下一步信号峰值间期变异性分析奠定了良好的基础。4)针对三类信号峰值间期变异性准周期、非平稳、非线性的特性,分别从线性及非线性角度选取了时域法、庞加莱散点图及信息熵三类变异性分析方法,并论证了所获参数在疾病诊断中的意义及其用于基于深度学习的心血管病识别模型中的特征获取的可行性。最终获得16类共计48维特征,与患者的年龄、性别结合构成50维特征向量,作为基于深度学习的心血管病识别模型的输入特征。5)构建院外无监督环境下基于深度学习的心血管病识别模型。首先,从标准BP算法出发,通过介绍BP算法的梯度下降过程及其存在的不足,引出深度学习算法,并阐述基于深度学习思想的深度置信网络(Deep Belife Networks,DBN)的模型结构及训练过程,为基于深度学习的心血管病识别模型的建立奠定理论基础;然后,根据深度置信网络的相关理论,分析DBN参数的设置原理,并根据所选心血管病数据集特点及经验公式确定DBN结构及参数;最后综合全文建立院外无监督环境下基于深度学习的心血管病识别模型,并设计实验,利用公开数据集验证心血管病识别模型的可用性及参数选择的合理性。