随着海量心电（Electrocardiogram,ECG）数据的积累和人工智能物联网等新兴技术的长足发展,医疗大健康体系中的生物识别及隐私分类等工作越来越引起研究者们的关注,并且都已经取得了重要的阶段性成果。然而,这些研究工作仍然存在不足。本文包括两个工作:ECG非连续样本上的生物识别算法和ECG联邦隐私分类框架。现有最优ECG生物识别模型都是在连续样本上训练和测试,95%以上的准确率一旦遇到实际应用中训练与测试间隔超过1天时的情况就会下降到50%以下,导致模型在实用上存在不足。针对上述问题,本文提出一种实用的跨域ECG生物特征身份识别算法,解决模型的时间敏感性问题。具体而言,本文:1)评估了非基准随机抽样方法的参数性能,找到一组能为个体获得充足且有效样本的最佳参数;2)提出一种跨时域、频域和能量域的深度特征抽取方法,提取出一系列对特征采集和识别之间时间间隔不敏感且个体可区分的特征;3)在神经网络中引入改进的通道注意模块,提高分类器的学习能力。最终的模型识别准确率在PTBDB和ECG-ID两个标准心电图数据库上分别达到85.94%和56.93%,比现有最优方案分别提高了41.5%和20.7%。知识传递的局限性影响了隐私分类模型在识别与隐私之间的平衡,现有最佳联邦优化算法Fed AVG对所有客户端的模型参数同等对待,使得局部模型到联邦模型传递的知识受到严重损失,在保护用户数据隐私的同时牺牲了很大一部分识别性能。为此,本文提出一个先进的跨设备ECG联邦隐私分类框架——Fed Cluster,不仅提升了单个分类模型的识别精度,还有效改善了跨设备联邦学习中极端非独立同分布数据导致的分类性能下降问题。具体而言,本文:1)构建一个基于自适应心拍切分的多尺度深度特征ECG分类模型,增强单个分类深度网络的识别性能,在标准心电数据库MIT-BIH上的识别准确率达到96.94%,比现有最优方案提升了3.71%;2)设计一个全新的基于联邦聚合机制的参数更新框架,增强联邦模型对稀有类型客户端的诊断能力;3)提出一种适用于极端分布下不平衡ECG数据的层次化全局共享数据的生成方法,提高了局部模型对全局知识的感知能力。最终联邦模型在MIT-BIH上的总体识别准确率达到了89.26%,最高偏斜度的客户端上的识别准确率达到38.4%,分别比现有最优方案提升了6.14%和89.38%。本文的两个工作都能够应用到物联网可穿戴设备中,提升身份认证系统的安全级别与准确性,也可改善终端智能诊断的隐私性与准确性表现。图22幅,表9个,参考文献53篇。