心律失常是一种常见的心血管疾病,是由于心脏窦房结激动异常或激动发生于窦房结之外所导致的传导速度或传导顺序的异常,严重的会引发心脏骤停或猝死。传统的人工检测方法耗时费力,并且难以及时有效的检测到异常。因此,利用计算机实现心律失常的自动检测与识别有助于患者的及早筛查与治疗。目前大多数研究者所设计的模型都是针对单个心搏进行分类,未考虑连续心搏之间的节律信息。然而心搏间的节律信息是医生诊断心脏疾病的重要依据。同时,由深度学习模型的复杂性所导致的不可解释性也影响着分类结果的可信度。针对以上存在的问题,本文提出了一种融合时空信息的心律失常分类模型,并通过特征分析的方法提高了模型分类结果的可信性。论文的主要工作如下:（1）提出了一种融合时空特征的深度网络模型（Bidirectional Long ShortTerm Memory-Spatial Attention Module,BiLSTM-SAM）。针对现有的以单心搏作为输入的心电分类方法未考虑心搏间节律特征这一问题,本文在信号预处理过程中保留了心搏间的时序关系,通过改进BiLSTM的心搏输入方式,以连续心搏段作为模型的输入,使BiLSTM在进行时序特征提取时,关注整个心搏段的节律特征。同时通过SAM提取单个心搏内的空间位置及形态特征,使模型从时间和空间两个维度学习数据的分布。所提出的方法在MIT-BIH心律失常数据库上进行了验证。结果表明,融合时空信息的BiLSTM-SAM网络模型的总体准确率为99.27%。通过与相关研究工作对比,验证了所提出模型的有效性。（2）提出了基于树正则化的特征分析方法实现BiLSTM-SAM网络模型的可解释性分析。在BiLSTM-SAM网络模型的基础上使用树正则化方法对模型进行约束,并以该模型的训练数据以及预测标签构建模拟BiLSTM-SAM网络模型决策过程的模拟决策树。通过对模拟决策树的关键特征点进行分析,解析BiLSTM-SAM网络模型学习过程中的关注点,进而理解模型在心律失常分类任务中的决策依据。实验结果表明,模型在学习过程中的关注点与医生在诊断时所关注的特征是一致的。并且通过实验验证了这些具有医学意义的特征点在模型中的重要性,提高了模型分类结果的可信度。（3）利用基于树正则化的BiLSTM-SAM网络模型实现心脏事件预警云平台的心律失常辅助诊断。智能诊断报告结果表明,在该平台上进行心律失常检测时,能够成功识别出心电记录是否为心律失常及具体类型,验证了该模型在心律失常智能辅助诊断上的有效性。