目的:心电图是临床常用的诊疗手段,心电图出现异常波形通常表现为心律失常,而心律失常在日常生活中很常见,是一种高发的心血管疾病。心电图的自动检测有两种方法,分别是传统方法和深度学习方法。传统方法需要人工提取特征,过程繁琐且结果不理想。而深度学习方法可以端到端的自动提取特征并且进行分类,非常简便。目前,大部分研究的数据样本主要是单标签分类的数据样本,其涉及的心电类别较少,而现实生活中一条异常的心电记录往往伴随多个疾病的发生。因此,本文研究的目的是利用深度学习方法,针对更加贴近实际临床的数据样本,端到端的进行异常心电自动分类任务,与之前的单标签任务相比,本文的研究属于多标签多分类任务。方法:本文研究的心电数据样本来源于杭州师范大学移动健康管理系统教育部工程研究中心。该样本为8导联数据,采样率为500 Hz,单位电压为4.88μV。此外,该样本中一个样本至少有一个标签,共有34类,并且分布不均衡。本文采用的基础网络模型框架分别为ResNet 35和ResNet 51,五种不同的注意力机制（Attention Mechanism）分别为CAM、SAM、CBAM,以及本文提出的MAM和MTAM机制。MAM机制可用于捕获数据的跨通道信息,而MTAM机制既可以让通道信息和空间信息从数据中抽离出来,也可以在一定程度上对通道和空间信息进行融合。通过不同的Attention Mechanism与不同ResNet框架结合,可以对心电数据进行自动分类。此外,我们知道,心电数据是时间序列,因此,为了进一步增强数据的前后顺序性,本文提出在数据放入网络之前加上timeflag数据,即自然数序列经过归一化处理得到的数据。结果:通过对ResNet框架与不同的Attention Mechanism结合进行探究,结果表明,相同条件下,ResNet 35比ResNet 51表现出更好的效果。其中ResNet35+CBAM模型的整体F1值为0.917,ResNet 35+MTAM模型的整体F1值为0.916。在添加timeflag之后,ResNet 35+CBAM+timeflag模型和ResNet35+MTAM+timeflag模型的F1值均达到0.923。此外,利用Sklearn中的classificatio＿report函数得出ResNet 35+MTAM模型的Weighted avg F1值为0.960。结论:与ResNet 51模型相比,ResNet 35模型更适用于处理本文心电数据,同时,在添加Attention Mechanism和timeflag后,模型的性能得到明显地提升。此外,通过对比实验,得到CBAM机制优于CAM和SAM机制,同时,MTAM机制可以产生与CBAM机制相似的效果。结果表明:本文提出的MTAM机制和timeflag在处理时间序列数据方面具有极大的优越性。