急性肾损伤（Acute Kidney Injury,AKI）具有发病快、死亡率高、预后差的特点。临床医生诊断AKI时通常关注血清肌酐的变化情况,但是患者在确诊的同时往往已经发生了AKI,错失了治疗的最佳时机,因此有必要研究在临床中能够提前快速预测AKI的方法。大数据时代的到来以及机器学习和深度学习的发展使得人工智能辅助医学提供了可能。近年来,国内外学者对AKI的预测进行了许多研究,但是大多数研究无法对患者进行连续AKI预测。针对上述问题,本文提出了一种AKI连续预测时序模型,利用医疗时序数据,通过建立血清肌酐的回归预测模型,可达到辅助医生进行诊断和提前处理的目的。本文的主要研究内容如下:（1）本文对国外公开的原始数据集Hi RID进行数据清洗和预处理等相关操作,构建符合模型输入的时序数据。在专业医生的指导下选择特征纳入训练数据,通过Xgboost筛选重要特征,训练不同时间段AKI临床预测模型,能够提高模型的应用性。（2）本文提出了一种基于结合注意力机制和LSTM模型的AKI连续预测算法。对于多维时间序列而言,LSTM分配的权重都是一样的,不会对信息进行重要程度区分,因此如果训练长时间序列或多维时间序列,LSTM的神经元就可能会丢失更重要的信息。针对上述问题,本文在LSTM网络结构中引入了Attention结构,通过对信息分配权重,使得模型能够记住更多对模型效果有利的信息。实验结果表明LSTM+Attention模型表现最好,在8h预测任务中精确度达到了最高的93.97%,相比其他常见的深度学习模型（CNN、LSTM）表现出了更好的预测效果。（3）本文还提出了一种新的AKI时序预测深度网络结构TCN（时序卷积网络）+LSTM+Attention。针对循环神经网络有序递归训练数据的特点导致AKI时序预测模型训练时间长、效率差的问题,本文设计了一种新的网络结构,引入时序卷积模块,通过TCN模块学习时序数据特征,由于卷积操作的存在提高了计算效率并且压缩了特征。再通过LSTM+Attention进一步学习特征,最后通过一个残差模块减少了信息丢失,从而在提高模型运算效率的基础上保证了模型的预测效果不会降低。最终结果显示,在测试数据中,TCN+LSTM+Attention模型在预测8h后血清肌酐中的精确度达到93.57%,相比精度最高的LSTM+Attention模型低了0.4%,但是训练时间上少了71%。