Existen tres desafíos principales en el diagnóstico automático de arritmias por electrocardiograma (ECG): la variación significativa entre pacientes individuales, las múltiples patologías en la señal de ECG y el alto costo en la anotación de ECG clínicos con las etiquetas correspondientes. Los enfoques tradicionales de procesamiento de ECG dependen en gran medida del conocimiento previo, como aquellos de extracción de características y análisis de formas de onda. El preprocesamiento para el conocimiento previo conlleva una sobrecarga computacional. Además, los métodos estándar de aprendizaje profundo no consideran completamente las características dinámicas temporales, espaciales y de etiquetado múltiple de los datos de ECG. En las formas de onda de ECG clínicos, es común ver el etiquetado múltiple en el cual un paciente es etiquetado con múltiples clases de arritmias. Sin embargo, los enfoques multiclase en la investigación actual principalmente resuelven el problema de aprendizaje automático de etiquetado múltiple, ignorando la correlación entre enfermedades, lo que resulta en pérdida de información. En este artículo, se propone un esquema de detección y clasificación de arritmias llamado aprendizaje profundo de fusión multi-etiqueta. El objetivo es construir un sistema unificado con aprendizaje automático de características que admita una clasificación efectiva de múltiples etiquetas. Primero, se combina un método de selección de características basado en ECG de múltiples etiquetas con una descomposición de matrices y teoría de aprendizaje disperso. El subconjunto óptimo de características se selecciona como algoritmo de preprocesamiento para los datos de ECG. Luego, se construye un clasificador de múltiples etiquetas fusionando redes CNN y RNN para explotar completamente las interacciones y características de las dimensiones temporales y espaciales. El resultado experimental demuestra que el método propuesto puede lograr un rendimiento de vanguardia en comparación con otros algoritmos en experimentos de bases de datos de múltiples etiquetas.