L’électrocardiogramme (ECG) constitue un outil diagnostique précieux pour identifier diverses maladies cardiovasculaires (MCV), telles que l’infarctus du myocarde (IM). L’ECG enregistre l’activité électrique du cœur, et ces signaux permettent de refléter des anomalies du fonctionnement cardiaque. Toutefois, l’interprétation visuelle des signaux ECG s’avère complexe en raison de leur faible amplitude et de leur courte durée. Ainsi, nous proposons une nouvelle approche visant à détecter automatiquement l’IM à partir des signaux ECG. Dans cette étude, nous avons mis en œuvre un algorithme basé sur un réseau de neurones convolutif (CNN) pour la détection automatisée des battements ECG normaux et des battements associés à un IM (avec et sans bruit). Nous avons atteint une précision moyenne de 93,53 % pour les signaux bruités et de 95,22 % pour les signaux débruités. En outre, aucune étape de sélection ou d’extraction de caractéristiques n’a été effectuée dans cette recherche. Par conséquent, l’algorithme proposé permet une détection précise de signaux ECG inconnus, même en présence de bruit. Ce système peut donc être intégré dans les environnements cliniques afin d’aider les cliniciens dans le diagnostic de l’IM.