随着社会生产力的发展和人们生活水平的提高,心血管疾病逐渐成为人类生活中所面临的最主要的健康杀手之一。在种类众多的心血管疾病之中,心律不齐是最主要的、最常见的临床表现,及时发现其症状对于改善患者的健康状况和延续其生命具有重要意义,因此对于心律不齐的精确诊断在心血管医学领域极受重视。然而,心血管疾病专家们在临床的医学诊断中面临着诸多问题,这使得临床上对心律不齐的精确诊断对于医生们而言成为了一项费时费力的工作而且极容易产生误诊、漏诊等问题。在这种情况下,设计自动进行心律不齐诊断的方法便显得愈发重要。在研究心电疾病诊断分类模型时,基于传统机器学习方法的模型存在着许多的缺陷。第一,其分类模型需要对心电信号数据进行繁琐的噪声消除步骤;第二,传统的分类模型需要进行复杂的特征工程,特征工程又基于大量的心脏疾病专家知识。而卷积神经网络拥有着自动化的特征提取能力,并且近年来在计算机视觉、强化学习以及自然语言处理等领域也已经表现出了卓越的性能,因此本文旨在基于卷积神经网络研究心电信号自动分类方法。本文的主要工作有以下两个方面。一是提出了一种基于多尺度卷积和注意力机制的残差网络分类模型,该模型主要是通过多个网络分支进行卷积从而达到组合不同尺度感受野的目的,同时通过设计新的注意力机制提高了模型的分类性能表现。二是提出了一种基于自适应调整卷积尺度的两阶段分类模型。该模型的第一分类阶段进行室性异位搏动（V）与非室性异位搏动（N&S）的分类,第二分类阶段进行正常类（N）和室上性异位搏动类（S）的分类。网络模型最后会综合两阶段的分类结果给出最后的正常类（N）、室上性异位搏动类（S）、室性异位搏动类（V）的分类结果。本文开展的实验是在MIT-BIH数据库上进行的,分别在患者内模式与患者间模式两种模态下验证了本文工作的出色的性能表现。