随着人们生活方式的改变以及社会人口老龄化的发展,心血管疾病的发病率和死亡率呈逐年递增趋势,现已成为国民健康的第一杀手。据2018年中国心血管疾病报告显示,我国心肌梗死患者约有250万人,平均每3秒就有一个患者出现,但其中仅5%的患者得到了及时有效的救治。心梗发生后,患者有着宝贵的黄金救治时间,在此期间内,如果能尽快确诊并采取相应治疗措施,可有效缩小梗死面积,降低病死率,早期诊断心梗对其治疗和预后具有重要意义。近年来,心梗的早期智能检测和快速精准定位成为心血管疾病领域研究的热点。本文针对现有心梗早期诊断存在的手工设计特征泛化能力差以及特征分类类别和定位精度不符合临床要求的问题,采用深度学习方法,从心电信号中自动获取疾病诊断的关键特征,实现心肌梗死的智能检测和定位。具体研究内容如下:(1)针对心肌梗死检测问题,在远程医疗海量心电图背景下,本文提出了基于密集连接卷积神经网络的单导联心肌梗死检测算法。通过堆叠多个密集块构建密集连接卷积神经网络,利用密集块之间紧密的连接方式获取对心电特征更丰富的描述和判别,使得网络能够自动学习鲁棒性强且具有区分度的特征,从而实现心肌梗死快速精准地智能检测。实验证明,所提算法在心肌梗死检测实验中检测精度达到了99.79%;在多组含噪声不同信噪比情况下,心肌梗死检测精度也均超过97.88%,充分证明了本文算法的有效性。(2)针对心肌梗死定位问题,考虑医学信息的先验指导,本文提出了基于网络压缩的密集连接卷积网络的多导联心肌梗死定位算法。由于12导联信号数据维度大以及导联间信息冗余,引入网络压缩技术对心肌梗死定位模型进行优化,精简网络模型。通过通道层次的稀疏正则训练和剪枝有效降低信道维度,微调修剪网络获得紧凑高效的模型。实验证明,本文方法在心肌梗死定位中取得了准确率、敏感性和特异性分别为99.92%、99.90%和100%的高精度识别,同时模型参数和计算操作显著降低,充分证明了本文算法的高效性。