心血管疾病是人类健康的头号杀手,其中有相当一部分疾病与心肌缺血相关,因此心肌缺血的分类对病情的诊断、治疗和预后有重要意义,与人类健康密切相关。医学成像技术快速发展,多种成像技术比如心电图和核磁共振已经在临床上取得了广泛的应用,并从电生理功能和力学特性等不同角度反映心脏的状况,对医生诊断病情有良好辅助作用。检测心脏生理活动的手段越来越丰富,医疗数据也越来越多,如何充分、有效地利用这些信息显得格外重要。解决这个问题的传统思路是依靠医生的临床经验综合判断,或者对采集到的医学数据进行自动分析并提取关键信息。这些方法发挥了一定的作用,但是仍有不少局限,比如繁复的劳动会增加医生的工作量,对医学数据的自动分析往往关注于提取普遍意义上的特征而忽略了病人个性化的独特信息等。针对上述背景和存在的问题,本文提出了基于深度学习的心肌缺血特征表达和分类,从新的角度思考在多种模态的心脏医学影像条件下,从多侧面提取表达心脏个性化的特征,并用于诊断心肌缺血的问题。主要的工作简要概括为：(1)建立了64导联体表电位记录和CT数据联合采集框架,并构建个性化的心脏-躯干模型。结合此几何模型,建立心电场的边界元模型,将高阶全变分引入心电逆问题,并基于正则化方法进重建心外膜电位。上述工作构成了完整的心电数据反演分析平台,具有重要的实际应用价值。(2)融合了心电图、计算机断层扫描成像手段,同时结合核磁共振成像,分别提取与心肌缺血相关的电生理活动特征信息和力学特性信息,从多个角度刻画了心肌缺血的特征,并统一在基于深度学习的心肌缺血分类框架下。(3)将深度学习的理论方法用于心肌缺血的特征表达与分类,实现了基于自动编码器的深度网络进行心肌缺血特征的表达,并得到初步的合理分类结果,相较于传统的心肌缺血诊断方法在效率上和准确程度上都有所提高。