本发明公开了一种用于序列数据的多尺度深度学习识别方法，采集序列数据并标注，构成原始序列训练数据集，对修改好的深度神经网络模型进行训练，从原始序列训练数据集的训练样本中随机截取时长为t的数据采样，前向传播输入到深度神经网络模型，同时对时长为t的数据中进行扩充或缩减和重采样模拟时间多尺度，采样取得的数据前向传播输入到深度神经网络模型，综合两个网络的分类损失和特征损失反向传播训练神经网络模型。本发明在训练过程中对训练数据进行一定范围内的随机重采样来模拟多尺度现象，具有更高的识别准确度。训练时两个分支网络的参数共享，有效提高了训练效率；在识别过程中仅需采用一个分支网络，具有高效性。