心血管疾病是全世界死亡的主要原因,故心血管疾病的预测是一项重大挑战。许多学者利用不同方法诸如数学模型、机器学习来预测该疾病发生的概率、趋势等各种情况。但是目前用于预测心血管疾病的研究并不多,为了有效预防心血管疾病,让医生能够及时有效的诊断出心血管疾病,本研究利用LSTM算法来建立心血管疾病预测模型并验证其可行性及性能。根据对国内外文献的分析,可以发现在传统的疾病预测机器学习方法中,支持向量机（SVM）模型是应用最广泛的模型之一,就文献中模型的最终预测结果而言,支持向量机的准确性相对较高。同时在预测心血管疾病上许多研究者也使用了K近邻（KNN）算法来建立模型。故研究将支持向量机和K近邻两种模型用于LSTM预测模型的性能验证工作中。文章的主要研究内容如下:（1）在UCI数据库和Kaggle平台中获取建立模型需要的特征属性。使用随机森林对提取到的87个特征属性进行剔除和排序的操作,同时在已有医学文献和费雷汉明表的基础上最终提取出27个关联性强的特征因子。将心血管数据集经过数据处理技术后得到1024个病例数据用于模型训练和测试。（2）筛选出数据集和特征属性后需要建立相关的LSTM模型结构。对比不同的参数下模型的准确率。使用划分好的数据集对模型训练,利用优化器不断优化参数来搭建最终的LSTM模型。测试集被用来分析模型的效果,使用精确度（Precision）、召回率（Recall）、准确率（Accuracy）和AUC四个指标来评估创建的LSTM模型。此外为了验证该LSTM模型的可行性,将其与同样使用LSTM算法来预测疾病的研究对比。（3）建立用于对比的SVM和KNN预测模型。选取合适的模型参数后,用相同的数据集建立这两种模型并分别使用同样的四个指标（精确率、召回率、准确率和AUC值）来评估性能。最后将这三组模型的评估指标值对比,数据表明LSTM模型的每个指标值都高于其他两种模型,故得出结论,在预测心血管疾病这一方面的应用,LSTM预测模型效果最佳。