时间序列分类在医疗信号、电气设备监测等多个应用领域中具有重要价值。针对现有方法在融合局部形态特征与多尺度全局时序依赖方面存在的局限性，本文提出了一种基于多尺度Transformer和形态卷积的时间序列分类模型。该模型结合多尺度Transformer（Multi-Scale Transformer, MST）模块在自适应窗口机制下提取多层级时序依赖，同时引入注意力机制实现动态特征融合，并集成形态卷积（Morphological Convolution, MC）模块以高效捕捉时间序列的局部结构特征。实验结果表明，在27个单变量UCR数据集上，MST-MC在平均分类准确率方面相比Ridge Regression、RandomForest等传统方法提升了5.7%至14.6%；相较于TS-TCC、TimesNet等主流模型提升幅度为2.2%至18.7%。上述结果表明MST-MC在单变量时间序列分类任务中的有效性与竞争力。

时间序列分类,形态卷积,多尺度Transformer,注意力机制