深度学习发展至今,学术界逐渐将心电信号的研究目光转移至传统方法与深度学习相结合的研究上,原因在于心电信号的广泛数字化,促进了深度学习在心电信号上的应用。传统的心电信号标准化解释包含信号预处理、手工特征提取、以及心电信号分类三个部分,每个部分既相互独立又相互依赖,例如手工设计特征的泛化性与心电信号分类模型的性能息息相关。基于深度学习的心电信号分类能够做到端到端的训练,不依赖于信号预处理和手工特征选取。但这些已有的深度学习算法在实际应用中的准确率下降明显,很难应用于临床实验,最终的诊断结果仍然需要医生人工完成。根据上述现状,本文基于深度学习实现的异常心电图分类方法主要包含以下三部分工作:（1）由于现存的心电图分类网络特征提取能力差,不能很好地应对多导联心电信号,本文将提出多模态心电图分类网络,以端到端的深度学习方法,通过学习心电图多导联数据之间的共同特征,有效利用病患年龄、性别等因素,对多导联心电图中各种不同的心律失常类型进行预测,实现分类准确度的提高。（2）多模态心电图分类网络本身未显式地学习不同导联之间的关联性,缺乏对心电信号尺度信息的挖掘。本文将提出使用基于注意力机制的多尺度网络,显式学习多导联心电信号的关系,通过使用不同卷积核的并行网络,将在同一个空间位置上的不同尺度特征结合起来,更好地学习到心电信号特征之间的联系。（3）算法模型应用到临床诊断,需要工程化方向的支持。本文设计并实现了心电图异常分类系统,将PC端采集到的心电信号通过局域网传至云服务器,云服务器中的心电图异常分类模型对心电信号进行处理,最后完成心电图绘制与显示,心电信号分类,分类结果显示,病例报告的撰写等功能。本文在MI-TBIH等公开的心电图数据集上进行了充分的实验,实验结果证明基于注意力机制的多尺度网络展现出优越性能,在F1值等多个指标上均超过其他的深度学习方法。设计实现的心电图异常分类系统也能够初步满足临床诊断的需求。