La epilepsia es una enfermedad crónica y uno de los trastornos neurológicos más comunes en todo el mundo. Las señales de electroencefalograma (EEG) se utilizan ampliamente para detectar convulsiones epilépticas, lo que proporciona a los especialistas información esencial sobre el funcionamiento del cerebro. Sin embargo, la revisión manual de las señales de EEG es laboriosa, consume tiempo y es subjetiva. La detección rápida de convulsiones epilépticas es importante para reducir el riesgo de complicaciones relacionadas con las convulsiones. Las técnicas automáticas de aprendizaje automático existentes basadas en técnicas de aprendizaje profundo se caracterizan por la extracción y selección automáticas de las características, lo que conduce a un mejor rendimiento y aumenta la robustez de los sistemas. Estos métodos no consideran la naturaleza multiescala de las señales de EEG, lo que resulta en una sensibilidad deficiente. Además, la complejidad de los modelos profundos es relativamente alta, lo que conduce a problemas de sobreajuste. Para superar estos problemas, propusimos un modelo eficiente y ligero de red neuronal convolucional multiescala (LMPSeizNet), que realiza un análisis temporal y espacial multiescala de un ensayo de EEG para aprender características discriminativas relevantes para la detección de convulsiones epilépticas. Para evaluar el método propuesto, empleamos validación cruzada de 10 pliegues y tres métricas de evaluación: precisión, sensibilidad y especificidad. El método logró una precisión del 97,42%, una sensibilidad del 99,33% y una especificidad del 96,51% para las clases interictales e ictales, superando a los métodos de vanguardia. El análisis de las características y la toma de decisiones del método muestran que aprende las características que discriminan claramente las dos clases. Servirá como una herramienta útil para ayudar a los neurólogos y a los pacientes con epilepsia.