Las señales microsísmicas de fracturas de carbón y roca recopiladas por sensores subterráneos contienen masas de señales de vibración de explosiones generadas por explosiones en minas de carbón, y las formas de onda de las dos señales son muy similares. Para identificar rápidamente y con precisión las verdaderas señales microsísmicas con un sistema de monitoreo microsísmico, este documento propone un modelo de red ligero que combina una red neuronal convolucional (CNN) y un transformador, llamado CCViT. De estos, la CNN se utiliza para extraer características superficiales localmente, y el transformador se utiliza para extraer características profundas globalmente. Además, un módulo de atención de canal modificado proporciona información importante del canal para el modelo y suprime información inútil. Los resultados experimentales en el conjunto de datos utilizado en este documento muestran que el modelo CCViT propuesto tiene ventajas significativas en operaciones de punto flotante (FLOPs), cantidad de parámetros y precisión en comparación con muchos modelos de red avanzados.