心血管疾病是我国致死率和发病率位居第一的疾病,是国民健康的第一威胁。多导联心电图（Multi-Lead Electrocardiogram,MECG）分析是医疗临床诊断心血管疾病的重要途径。伴随智能无线传感器网络与智能医疗的发展,可穿戴态动态心电监测设备可实现对用户长时间动态心电监测。但是可穿戴动态心电监测设备经长时间佩戴,积累大量MECG数据,对设备能耗、存储造成极大考验。此外,心血管疾病具有偶发性、突发性和随时性,在使用过程中要求可穿戴设备对心电异常情况能给予及时、准确诊断。本文工作以多导联心电信号（MECG）为研究对象,以实现可穿戴动态心电设备对用户的心电健康状况长时间监测为目标,从可穿戴动态心电监测设备的在线、实时、高效MECG数据压缩和对用户做出实时、准确心电异常检测两方面着手研究,采用张量分析与深度学习作为研究工具,本文主要工作如下:（1）本文利用MECG信号的三种相关性,采用末位值心电周期对齐方法,提出一种多导联心电三阶张量构建方法,使得MECG三个维度更加均衡,对比单导联ECG三阶张量有效提高MECG信号压缩效率。（2）针对可穿戴MECG数据实时、在线、高效压缩问题,本文提出利用张量在线CP（CANDECOMP/PARAFAC）分解多导联心电三阶张量进行MECG数据压缩。该方法能够实现在线、实时、快速增量张量分解,在有效减少设备计算压力的同时,提高ECG压缩效率、减少设备传输数据能耗。经过实验验证,在MECG实验数据集上实现了平均压缩率43.05～46.90、平均百分比均方差3.46%～8.34%、平均质量得分4.81～7.05的压缩效果。对利用压缩数据重构之后的MECG信号进行R峰检测验证,压缩方法良好保存了MECG的特征。（3）针对可穿戴动态心电监测设备在线心电异常检测问题,本文设计了一种结合二维卷积神经网络和长短时记忆网络的心率不齐检测框架,实现线下训练、线上检测。该方法能够有效简化心电预处理过程,同时对心率不齐具有良好的分类效果。经过实验验证,该方法对五种常见心率不齐类别（正常窦室心搏、室上性异位心搏、心室异位心搏、融合心搏以及未分类心搏）平均分类准确率为98.76%、99.42%、99.22%、99.35%和99.97%。