基于横跨膜电位分布的心电逆问题研究，即从身体表面电位无创重建心脏跨膜电位，可视为一种多输入多输出的回归问题（亦即多个体表电位分布输入重构多个心脏跨膜电位分布输出），而基于数据驱动的机器学习模型是解决回归问题的一种有效手段。通过使用深度卷动神经网络（CNN）构建深度学习模型，使用Caffe框架训练神经网络；此外，基于真实的心脏模型，使用ECGSim软件仿真了肯特束综合症心室激活情况的数据，用于训练和测试回归模型。实验结果表明，与极限学习机（ELM）和核化的极限学习机相比，CNN方法在心脏跨膜电位重构方面有更高的精度和泛化性能。