心电图波段识别是心脏病专家诊断心脏疾病关键步骤之一,旨在从一段给定的心电图记录中获取到与心脏状态相关的信息。近年来,基于深度卷积神经网络的心电图波段识别技术取得了显著的进展,许多有效的方法相继被提出。然而,目前大多数方法只是通过简单地堆叠残差块来增加网络深度,虽然网络模型的性能得到了提高,但不可避免的引入了大量参数,计算资源消耗巨大。本文提出了一种多尺度密集网络模型,旨在构建参数量少、泛化能力高,客观性能与计算复杂度平衡的网络模型。具体而言,本文的创新之处在于:（1）构建了并联密集块结构,促进了特征通道之间的信息流动,增强了特征的传递能力。同时考虑了特征通道之间的相互依赖性,减少了对网络传递能力的阻碍。通过结合多通道与密集连接块的优势,提升了网络的表示能力,达到了在增加网络深度的同时消减网络参数数量的目的。（2）提出了局部多尺度特征融合算法提取心电图波段多样化特征,弥补了单尺度卷积核忽略了心电图各波段形态特征差异大的缺点。进一步结合密集块的卷积模块,并联不同感受野的卷积核提取信息,提高了心电图波段信息的利用率。同时改进了逐点相加或级联操作的特征融合方式,采用拼接的方式对特征进行融合,增加了特征信息的多样化。（3）优化了心电图记录的切割方式,采用三个连续R峰切割方式以保证心电图心跳节拍片段中心率数据的完整性。消除了两个R峰切割方式中缺失部分心跳节拍信息的可能,增加了心电图片段的细节信息,提高了分类识别算法的准确度。最后,与当前最流行的网络模型相比,本文算法不仅具有良好的性能,而且计算量要比其它模型小很多,运行时间短,在资源受限的设备上具有广泛应用价值。