心电图（Electrocardiogram,ECG）是心血管疾病诊断的重要工具。全球每年收到的心电图数目巨大,若全部需要医生进行诊断和筛查费时费力,由此计算机辅助诊断应运而生。但是心电图类型繁多,如何准确使用人工智能方法进行心电图辅助诊断仍然是一个研究热点。近年基于ECG的研究大多围绕单标签问题展开,也就是一条记录对应一个标签。但是在实际临床应用中,一条ECG记录可能同时包含多种疾病,传统计算机辅助诊断只给出单个心电图的预测结果一定程度上忽略了心脏隐患。因此研究多标签ECG分类至关重要。论文的主要研究内容总结如下:（1）构建多尺度残差网络（Multi-scale ResNet,MResNet）模型。使用残差网络提取深层特征,同时进行多尺度特征融合,能够实现多标签心电图的自动分类。将提出的MResNet模型在中国心血管疾病数据库上进行验证,为确定尺度的最优选择,设置不同卷积核大小进行实验,证明MResNet在两个尺度分别为3和7时达到模型的最高分类准确率。并和其他经典神经网络进行实验对比,结果表明MResNet表现最好。（2）构建引入通道空间注意力机制的多尺度残差网络（Channel spatial attention with multi-scale ResNet,CSA-MResNet）模型。在MResNet的基础上引入通道空间注意力机制,使模型分配更大权重在更重要的心电数据片段上,从而更多关注到异常心电数据片段。最后将提出的CSA-MResNet模型在中国心血管疾病数据库进行训练和测试,并在合肥高新杯心电异常事件检测数据集上进行模型泛化验证。实验结果表明,当对9种ECG进行多标签分类时,与基准模型相比CSA-MResNet模型的分类效果最好,并具有一定的泛化性能。（3）基于本文提出的CSA-MResNet模型,将其应用在心脏事件实时预警云平台上进行系统测试,证明在实时心电诊断上的有效性。