计算机辅助心电图分析是国、内外学者研究的热门课题。它在心电图诊断中起到了重要的作用，可以减轻医生的工作量，有助于改进医疗服务质量。因此，对计算机辅助心电图分析的研究具有很重要的实际意义。　　卷积神经网络和长短时记忆网络是典型的深度学习模型，本论文将它们结合进面向临床的计算机辅助心电图分析中。在对卷积神经网络进行深入阐述的基础上，提出了一种集成学习方法以提升室性早搏的分类性能。麻省理工学院心律失常数据库(MIT-BIH-AR)两个通道的数据分别经过卷积神经网络进行以心拍为单位的病人内疾病分类，然后对结果作融合决策，其准确率、灵敏度和特异性分别为99.91％、98.76％和99.97％，优于已有室性早搏病人内心拍分类算法结果。接着，利用卷积神经网络和规则推理相结合的方法实现了以记录为单位的病人间疾病分类，在中国心血管疾病数据库(Chinese Cardiovascular Disease Database，CCDD)的14万多条记录上，取得的准确率、灵敏度和特异性分别为97.87％、87.94％和98.02％，验证了算法的实际有效性。　　在上述工作的基础上，融合卷积神经网络、长短时记忆网络及规则推理，在MIT-BIH-AR上进行室性早搏病人间心拍分类，获得的准确率、灵敏度和特异性为99.41％、97.59％和99.54％。同样将该方法用于CCDD的14多万条测试数据上，得到的准确率为、灵敏度和特异性分别为98.06％、96.42％和98.09％。　　另外，描述了现有QRS波形态识别方法存在的问题，采用支持向量机获得了良好的QRS波形态识别效果。还采用假设检验并引入综合指标集评估计算机辅助心电图分析方法的效用。