为探索脉搏波信号中蕴含的复杂性，并实现对房颤（Atrial Fibrillation，AF）的高效识别，本文提出一种基于光电容积脉搏波（Photoplethysmography，PPG）信号的房颤检测模型。该方法融合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）以及光电容积脉搏波（PPG）技术，并构建了CNN-BiLSTM融合优化模型。与其他模型相比，该方法在数据预处理方面效率更高、对 AF检测的灵敏度更强，所提模型在召回率（92.89%）、精确率（92.48%）以及 F1值（92.64%）方面均表现出较高的性能。与多种传统模型的对比验证了该方法的有效性，其具备良好的应用前景。该方法操作简便、检测效率高，可在一定程度上替代传统心电图检测方式，为房颤患者的长期监测与随访提供了新思路。