在许多时间序列建模应用中，不规则采样现象普遍存在，这给传统的深度学习模型带来了显著挑战。本研究源于对电子健康记录中生理时间序列数据的分析，这类数据具有稀疏性、不规则采样和多变量等特点。本文提出一种新的深度学习框架，称为多时间注意力网络（Multi-Time Attention Networks），以应对这一场景。该框架能够学习连续时间值的嵌入表示，并利用注意力机制生成包含可变观测数量的时间序列的固定长度表征。我们在多个数据集上对所提框架在插值和分类任务中的性能进行了评估。实验结果表明，该方法在性能上可与多种基线模型及近期提出的先进模型相媲美，甚至更优，同时训练速度显著快于当前最先进的方法。