心血管疾病(cardiovascular disease，CVD)一直是人类健康的首要威胁。目前临床上，医生通常使用心电图(electrocardiogram，ECG)进行诊断。与此同时判断心电图是否异常是一项非常专业的工作，因此需要具有丰富理论知识和丰富临床经验的医生，但是目前心血管疾病医生数量不足且工作强度大。因此，开发快速，准确的算法十分重要。尽管目前已经提出了很多自动判别心电图的算法，但是安装在心电图机器中的大多数默认方法都不够准确，一些公开的高精度算法不适合在医院中使用，因为它们依赖于长时间的心电信号数据并且有严格的硬件要求和高昂的时间成本。此外，大多数现有方法忽略了患者心电图的特异性，导致泛化能力较差。
　　本文针对这些问题，为了更好地判别具有不同尺度和形状的数据以及并且提高算法的泛化能力，提出了一种多流导联循环和卷积神经网络(MLRCNN)，其可以有效地利用不同尺度的特征。多流网络中具有多个不同尺度和大小的卷积核，利用具有不同扩张因子的卷积层来组合不同尺度的特征，然后本文将每个网络的特征连接在一起以进行最终输出。本文使用实验室中的心电信号数据和一些公开的真实数据集进行了的实验，结果表明，与之前的方法相比，本文所提出的方法有显著的改进。同时，本文使用迁移学习和置信度排序的模型训练方式，提升模型的泛化性能，使模型可以适用于其他的心电图数据。
　　本文中使用的实验数据来自实验室收集的20000多份心电数据。其中，效果最佳的MLRCNN模型的准确率达到92.80%，并且在其他的实验中也表现良好。因此，可以认为本文提出的MLRCNN模型是现有方法的成功改进，且具有一定的参考意义和应用价值。