本文介绍了一种基于多尺度变换器的手术视频阶段识别方法，通过时空特征联合学习显著提高识别准确率。在Cholec80数据集上验证，该方法在线和离线识别准确率分别达到95.26%和96.15%。提出的自回归手术变压器（ARST）和STAR-Net模型在手术阶段识别中表现优异，展示了在医疗视频分析中的应用潜力。