随着人们越来越关注自身健康,家庭医疗已然成为一种发展趋势。心脏疾病防治和诊断作为家庭医疗不可或缺的一环,首要条件是实现快速准确的心电图诊断。目前依靠人工诊断无法在有限时间内诊断大量的心电图,而且通过机器学习技术建立复杂数学模型实现心电图智能诊断对设备性能要求较高,难以满足不同医疗领域的要求。针对上述存在的问题,本文结合边缘设备（靠近数据源且具备一定计算能力）和云服务器（使用成本低,算力强大和资源灵活可调）的互补优势,提出基于云-边缘计算的心电图智能诊断系统,并且开展相关的心电图信号预处理和波群检测、心电图分类模型构建以及系统搭建工作。本文主要研究内容分为以下几个部分:1.采用50Hz陷波器、基于db4小波函数的小波阈值法和组合开/闭运算的形态学滤波器实现对心电图信号中存在的工频干扰、肌电干扰和基线漂移三种噪声去除。采用基于连续小波变换的R波检测算法并改进其初始阈值的计算方法,实现在MIT-BIH心律失常数据库部分心电图上99%以上的平均检测准确率;2.基于Cin C Challenge心电数据库提取出总计314维的混合特征作为特征数据集,采用Light GBM算法设计出正常/异常心电图二分类模型。在特征数据集上进行5折交叉验证得到模型平均1为0.878,优于用CART和Cat Boost算法设计的心电图二分类模型。3.设计出一个基于一维卷积神经网络（1 Dimensional Convolutional Neural Network,1D-CNN）的心电图多分类模型,实现正常心律、心房颤动、其他心律不齐以及噪声四分类。在Cin C Challenge心电数据库上进行5折交叉验证,得到该模型性能参数1为0.842,优于其他文献所采用的算法。4.搭建基于云-边缘计算的心电图智能诊断系统,边缘设备（树莓派3B+）上采用算法复杂度较低的基于Light GBM的心电图二分类模型,云服务器（华为云）上采用算法复杂度较高的基于1D-CNN的心电图多分类模型,实现系统的数据通信、信息反馈以及定时循环诊断。为了降低异常心电图的漏检以及提高系统的诊断速度改进基于Light GBM的心电图二分类模型。通过实验证明该系统可以实现间隔1秒的定时循环诊断;相较于基于云服务器的心电图诊断系统可以更充分利用边缘设备的计算能力,减轻云服务器的计算负担;相较于基于边缘设备的心电图诊断系统有更快的诊断速度。