房颤是一种常见的心律失常，通常与中风、心力衰竭等心血管疾病相关.近年来，虽然有许多研究者使用深度学习方法在房颤检测上取得了重大进展，但所提出的方法大都需要大量的计算资源，并且由于深度学习模型的黑盒效应，模型的检测结果较难以在临床上推广应用.为此，本文提出一种基于特征融合的轻量房颤检测模型并对其开展可解释性研究，模型由ECG(ElectroCardioGram)主干网络和RRI(R-R　Interval)支路组成.　ECG主干网络使用深度可分离卷积以及少量的标准卷积来提取心电信号的深层形态特征，RRI支路使用多尺度卷积提取RRI的深层节律特征，网络通过融合二者来学习全面鲁棒的特征表示，实现准确的房颤检测.进一步，基于Grad-CAM++来可视化不同特征对于分类结果的贡献实现模型的可解释性分析.本文在长期房颤数据库LTAFDB进行训练与数据集内部测试，准确率达到了97.99%.为了验证模型的泛化性能，利用MIT-BIH心房颤动数据库AFDB与中国生理信号挑战赛数据库CPSC2021开展跨数据集的外部测试，分别取得了95.17%和93.81%的准确率.实验结果表明，本文提出的方法具有轻量级特性，稳定性和准确性良好，同时可解释性深度学习的引入使得本文所提出的方法在房颤的临床诊断中具有更加广阔的应用前景.