心血管疾病对人类健康构成严重威胁,同时也给社会造成沉重的经济负担。我国当前的心血管疾病防治工作面临发病率持续增高和医疗资源供应不足等诸多挑战。针对这些挑战,基于可穿戴心电硬件和智能心电异常检测算法的心脏健康监测服务将为心血管疾病的筛查和管理提供有效且经济的解决方案,有望在未来的医疗健康服务体系中扮演重要角色。心电信号可用于检测丰富多样的心脏异常状态,不同异常状态有着不同的发作周期和持续时间,因而对于算法检测结果的时间粒度也有着不同的要求。在心脏健康监测场景下,海量的监测数据远远超出人工核查的处理能力,因而对异常检测算法的准确度提出了更高要求。而噪声干扰、标注的主观偏差以及标注数据量的不足等因素限制了当前算法的检测性能。针对上述因素,本文研究了记录级别（粗粒度）和心拍级别（细粒度）心电异常检测的新方法,旨在进一步提升算法在各项检测任务中的性能。主要研究内容如下:（1）为了支撑心拍定位和心电特征提取,首先研究了心电信号特征波形检测问题,提出了一种结合RR间期（反映相邻心拍之间的时间间隔）概率分布的QRS波群检测方法。不同于以往检测方法过分偏重于波形因素的特点,本研究通过构建一种动态贝叶斯网络,将心电波形因素和RR间期所反映的心率因素纳入到了一个统一的概率模型中,进而应用于QRS波群位置的推理,以提升算法应对噪声的鲁棒性。此外,为了使模型适应患者的个体差异性,设计了一种基于期望最大化的无监督个体化模型参数优化方法;为了提升模型的推理效率,在模型中引入了若干简化策略使推理具有线性时间复杂度。实验结果表明,所提方法在噪声干扰较强的数据集上取得了优于其他方法的性能,并且在噪声压力测试中表现出较强的鲁棒性。（2）为了实现基于单导联心电信号的心房颤动（简称房颤）检测,针对便携式心电设备信号质量较差的特点,提出了一种基于聚类特征的单导联心电记录分类方法。与以往方法直接对记录内的心拍波形和RR间期提取特征的做法不同,本研究首先对记录内的心拍波形和RR间期进行聚类,然后获取具有代表性且质量较高的心拍波形和RR间期,进而从中提取与波形和RR间期相关的特征。本研究同时考虑了不同聚类簇的心拍波形和RR间期在时间上的分布特性,不仅提取了波形和RR间期各自随时间变化的特征,而且提取了反映波形与RR间期之间交互作用的特征。基于上述提取的特征和XGBoost机器学习算法构建了一种单导联心电记录分类器,用于将心电记录划分为正常窦性心律、房颤、其他心律失常和噪声过高等四种类别。在采自便携式心电设备的数据集上的验证结果表明,算法整体上达到了当前的最佳性能水平,且聚类特征对模型性能的提升有显著贡献。（3）为了检测心电记录中可能同时存在的多种异常状况,进一步研究了心电记录的多标签分类方法。鉴于单一机构收集的心电数据（单源数据）样本量有限,研究中采用了来自不同机构的心电数据（多源数据）用于模型训练。不同于以往方法忽视标签不完整性的问题,本研究特别针对多源心电数据的标签不完整性问题,提出了基于类别层级关系的标签修复方法和面向不完整标签的弱监督学习方法。在此基础上,构建了一个基于深度学习的心电记录多标签分类模型,并在其中引入类别注意力机制,为各类别提取与之相关的特征向量。此外,考虑不同的误分类可能具有不同的实际代价,设计了一种代价敏感的阈值方法,以便在将预测概率转化为标签的过程中尽力减小模型的分类代价,并减轻训练数据类别不平衡问题的影响。跨数据集的实验结果表明,所提标签修复方法在真实数据集上的修复效果显著,且所提出的各项机制对于提升模型在心电记录多标签分类任务上的性能具有显著作用。（4）上述记录级别的分类方法可检测记录周期内存在的异常状况,但不能确定具体某一心拍上的异常类型,因而不适合检测诸如异位搏动等在个别心拍上发作的异常类型。为此,进一步研究了逐拍异位搏动检测方法。不同于以往依赖于小规模精细标注数据集的监督学习方法,本研究构建了基于弱监督学习的逐拍异位搏动检测模型,可利用大样本的粗标注心电数据来提升模型的泛化性能。该方法通过在深度神经网络中引入局部预测至整体预测的映射关系,使心电记录的整体标注可用于指导模型对局部心拍的预测。在特征提取方面,组合了基于先验知识的心率特征和基于深度学习的波形特征,以进一步提升模型对于异常心拍的识别能力。此外,为了应对弱监督学习中存在的非适定性问题,提出了一种结合监督式预训练和弱监督式参数优化的两阶段训练策略。在多个数据集上的实验结果表明,所提出的方法通过在大样本、粗标注数据集上的弱监督学习取得了显著优于其他在小样本、细标注数据集上训练的监督学习方法的性能。