Nas últimas décadas, os problemas de saúde decorrentes de doenças cardíacas têm se tornado as maiores causas de mortes no mundo. Ao considerar a taxa de mortalidade e a grande quantidade de pessoas que sofre de doenças cardíacas, torna-se bastante relevante a necessidade de um diagnóstico precoce. Com o intuito de dar uma contribuição no diagnóstico, é proposto o desenvolvimento de um sistema computacional de detecção e classificação dos batimentos cardíacos de alguns tipos de arritmias. Para alcançar esse objetivo, a proposta foi desenvolvida em dois momentos. Primeiro, foi desenvolvido e implementado um algoritmo para estimar a frequência cardíaca dos sinais de ECG utilizando o algoritmo de Coeficiente de Predição Linear (LPC). Nessa etapa, foi obtida acurácia acima de 98% na estimação da frequência cardíaca. No segundo momento, foi escolhida uma arquitetura da rede CNN capaz de aprender as características dinâmicas dos batimentos cardíacos gerados pelo algoritmo LPC e as características morfológicas do sinal de ECG. Para treinar a rede, foram utilizados sinais de ECG obtidos da base de dados do Massachusetts Institute of Technology (MIT-BIH Banco de Dados de Arritmias) com 2480 sinais e do PhysioNet/Computing in Cardiology Challenge 2017 com 3720 sinais. Para ampliar o acervo de dados, foi aplicada uma técnica de aumento de dados (Data Augmentation). Após a fase de treinamento, os resultados foram de 93,35% para acurácia, 93,12% e 93,08% para precisão e recall, respectivamente, para os dados do MIT-BIH. E para os dados do Physionet, o modelo alcançou 99,87% tanto para a acurácia quanto para precisão e recall, respectivamente. Os resultados do modelo de classificação quando combina as informações obtidas pela combinação do LPC e da Rede Neural Convolucional Unidimensional são bastante expressivos quando comparados com outras técnicas divulgadas na comunidade científica.