心血管疾病是人类健康的头号公敌,已成为世界上备受重视的公共卫生问题,其患病率和致死率逐年攀升。虽然心血管疾病医疗的检测技术更新换代,但心电图（ECG）由于具有快速、无创和可靠的特点,仍然是临床上辅助诊断心血管疾病的重要工具。作为人群中常见的一类心血管疾病,心律失常的全球患病率为2%到5%,随着年龄增长而增加。大多数心律失常患者在心电图上都表现出明显的特征性改变。与此同时,深度学习可捕捉图像和信号等数据的特异性特征来进行分类、预测等任务。因此,利用深度学习模型捕获心电信号的潜在特征来实现心律失常的自动分类任务。为更加贴近实际临床的心电数据,本论文选取两个多导联心电数据库。杭州天池心电数据库属于多分类多标签的8导联数据库,绍兴市人民医院心电数据库属于多分类单标签的12导联数据库。本文针对心电信号去噪和心律失常分类两大关键问题展开探索,构建一套以心律失常为研究重点的基于多尺度深度学习网络的心电信号分类模型,有助于减轻医学工作者的劳动负担。首先,针对心电信号的三大噪声,本文设计了一套顺序去噪的算法Loess,首先利用高斯带通滤波器去除工频干扰和少部分基线漂移,接着运用局部多项式回归平滑滤除基线漂移,最后采用非局部均值算法剔除以肌电干扰为主的剩余噪声。实验表明,无论是比较去噪后的波形效果,还是比较信噪比、均方根误差、相关系数这三项指标,本文提出的算法均优于离散小波变换和经验小波变换的去噪效果。其次,结合卷积神经网络（CNN）捕获空间局部特征和长短期记忆网络（LSTM）捕获时间特征的优势,本文提出心律失常分类模型MS-ECGNet,其包含一种并行多尺度结构来增强模型的学习能力。在模型浅层阶段,把多导联信号转化为二维矩阵,运用二维卷积提取心电图的共性特征。在模型深层阶段,使用三种多样化尺寸的一维卷积核、Bi-LSTM和Bi-LSTM注意力机制（Bi-LSTM AM）构造三路并行的多尺度特征提取器,来提取不同导联的独特性特征。同时,为增强每个阶段的重要特征权重,本架构还插入通道注意力机制模块SE-block。实验结果表明,MS-ECGNet在绍兴市人民医院心电数据库上micro-F1为93.44%,在杭州天池心电数据库上micro-F1为91.51%。模型具有高效、简洁的特点,并且适用于多分类单标签任务和多分类多标签任务。最后,为进一步提升分类性能,本研究加入心电传统特征和患者的性别、年龄特征,并与MS-ECGNet的类别概率映射拼接成特定特征维度的特征向量。结合极度梯度提升算法（XGBoost）对特征分量分类,构建一种多维特征融合心律失常分类算法。实验结果表明,针对训练集数量中大于100的类别,多维特征融合心律失常分类算法优于单独使用MS-ECGNet的分类性能,在绍兴市人民医院心电数据库上平均F1为93.21%,在杭州天池心电数据库上平均F1为91.50%。