目的 设计一个深度学习模型，实现模型复杂度和模型性能的平衡，以便于集成到可穿戴心电监护设备上，实现本地的房颤自动诊断。方法 从公开数据集LTAFDB、AFDB和NSRDB上分别收集了84例、25例房颤患者和18例无明显心律失常受试者的数据进行实验和测试。提出了一个基于深度可分离卷积并融合通道空间信息的轻量级注意网络—DSC-AttNet，引入深度可分离卷积代替标准卷积，降低模型参数量和计算量，实现模型的高效和轻量化；并嵌入多层混合注意力机制以在不同尺度上计算通道信息和空间信息的注意权重，提高模型的特征表达能力。在LTAFDB上进行十折交叉验证，并在AFDB和NSRDB上进行外部独立测试。结果 DSC-AttNet在测试集上的十折平均准确率达到97.33%，精确率达到97.30%，均优于其他4个对比模型以及3个经典模型。模型在外部测试集上的准确率分别达到92.78%和99.97%，优于3个经典模型。且DSC-AttNet的参数量为1.01M，计算量为27.19 G，小于3个经典模型。结论 该房颤分类方法具有较小的复杂度，达到了更好的分类性能，并且泛化能力较好，具有良好的临床应用前景和推广能力。