心电图（Electrocardiogram,ECG）是检测和预防心脏异常的主要方式。ECG中蕴含着连续心跳的节律性特征和心电波形的形态学特征,异常ECG的非线性和复杂性使不同心脏疾病的波形具有独特性,且时序性上存在差异。利用深度学习自动分析技术可以自主挖掘ECG潜在深层次本质特征,挖掘数据中蕴含的复杂信息,有效避免手动提取特征的不确定性,提高分类识别的准确性。以大规模心电数据为基础,对远程心电信号进行实时分析诊断。针对单导联和标准十二导联两种数据不同场景下的应用需求,利用多种神经网络组合的方式,分别建立多种分类器的多分类分析诊断模型,解决常规神经网络难以深度挖掘ECG本质特征的缺点,提高识别诊断准确率。最后,设计远程心电实时分析诊断系统,实现远程心电辅助分析诊断功能。主要研究工作包括:（1）单导联心电数据分类模型。针对单导联长程时序数据,建立RR间期特征和Transformer融合网络对多种心律不齐心拍进行识别分类。模型利用多头自注意力机制对ECG信号的全局依赖关系进行建模,避免使用任何卷积操作和循环网络。同时将RR间期特征融入特征向量中,丰富特征表达。实验结果表明,本章建立的RR间期特征和Transformer融合网络在5种心律不齐心拍分类任务中的准确率为99.30%,相较其他相关研究有更好的性能。（2）临床多导联心电数据分类模型。针对标准十二导联长时ECG信号结构特征,提出联合多导联卷积神经网络（Multi-lead Convolutional Neural Networks,MLCNN）和双向长短期记忆网络（Bi-Directional Long-Short Term Memory,Bi LSTM）的多通道并行网络MLCNN-Bi LSTM用以充分挖掘ECG中蕴含的特征信息。其中,MLCNN通道用于提取ECG波形的形态学特征。相比传统的卷积神经网络,MLCNN能够准确提取多导联ECG上的强相关信息而忽略不相关信息,更适合多导联ECG特殊的结构。Bi LSTM通道用于提取ECG连续心跳的节律性特征。最后,通过设置核心阈值参数加权融合多通道并行提取的时-空特征,用以探究不同心血管疾病对形态和节律特征的敏感程度。实验结果表明,对多种具有危急值属性的心血管疾病的识别准确率为87.81%,灵敏度为86.00%,特异性为87.76%。（3）建立远程心电实时分析诊断系统。针对单导联和标准十二导联两种数据不同场景下的应用需求,完成了心电数据实时接入、存储、用户信息管理、远程实时诊断、医患UI界面展示等基本功能。最后,实现对远程心电数据的实时分析与诊断。