针对传统基于形态特征的心电检测算法存在特征提取不准确和高复杂性等问题，提出了一种多层的长短时记忆（LSTM）神经网络结构。结合传统LSTM模型在时序数据处理上的优势，该模型增加了反向和深度计算，避免了人工提取波形特征，提高了网络的学习能力。通过给定心拍序列和分类标签进行监督学习，然后实现对未知心拍的心律失常检测。通过对MIT-BIH数据库中的心律失常数据集进行实验验证，模型的总体准确率为98.34%。相比支持向量机（SVM），该模型的准确率和F1值均有提高。

针对传统图像分割算法分割蓝藻图像准确率不足的问题，提出了一种基于深度神经网络（DNN）和生成式对抗网络（GAN）思想的网络结构，称为深度生成式对抗网络（DGAN）。首先，在传统全卷积神经网络（FCN）的基础上构建了一个12层的FCN作为生成网络（ G），用于学习分布规律，生成蓝藻图像的分割结果（ Fake）；然后，设计了一个5层的卷积神经网络（CNN）作为判别网络（ D），用于区分生成网络生成的分割结果（ Fake）和手工标注的真实分割结果（ Label）， G试图生成 Fake并蒙骗 D，D试图找出 Fake并惩罚 G；最后，通过两个网络的对抗式训练， G生成的 Fake可以蒙骗 D，从而获得了更好的分割结果。在3075张蓝藻图像集上的训练和测试结果表明，DGAN在精确率、召回率及 F ₁分数等指标上均大幅领先基于迭代的阈值分割算法；相比FCNNet （SHELHAMER E，LONG J，DARRELL T.Fully convolutional networks for semantic segmentation.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651）、Deeplab （CHEN L C，PAPANDREOU G，KOKKINOS I，et al.Semantic image segmentation with deep convolutional nets and fully connected CRFs.Computer Science，2014（4）：357-361）等其他基于DNN的方法也提升了超过4个百分点，取得了更精准的分割结果。分割速度上，DGAN的0.63 s略慢于FCNNet的0.46 s，但远快于Deeplab的1.31 s。DGAN均衡的分割准确率和分割速度为基于图像的蓝藻语义分割提供了可行的技术方案。