受益于数据的爆炸式增长和算力的飞速发展,以深度神经网络为代表的人工智能技术飞速发展。在医疗健康领域,基于历史积累的数据训练深度学习模型,从而进行面向特定任务的智能诊断和辅助决策,可在一定程度上克服医生个体经验的局限,帮助普通医生以专家水平进行诊断和决策。特别是将深度学习技术应用于疾病进展预测,对患者病情发展进行预警和个性化的早期干预,具有重要意义,是国内外众多学者关注的热点问题。由于患者积累的历史数据可按时间顺序组织为序列,因此许多现有研究基于循环神经网络建立疾病进展预测模型。然而上述方法将历史诊疗数据按照顺序位置来组织,忽略了数据的时间戳和时间间隔。在医疗领域,患者就诊具有一定的不规则性,导致数据中存在严重的时间间隔不规则性。本文探讨了数据的时间间隔不规则特性对模型的影响,并提出了基于不规则就诊间隔的疾病进展预测模型。在此基础上,本文对所提模型在联邦学习框架下的应用进行了研究,对解决联邦学习数据非独立同分布问题提出了相应的解决方案。本文主要贡献如下:（1）分析不规则时间间隔对预测性能的影响。本文通过对比具有规则时间间隔和不规则时间间隔的序列数据上所构造循环神经网络的预测性能,分析了不规则时间间隔对循环神经网络的影响。本文提出了基于自定义时间序列的间隔不规则数据集生成方法,在此基础上进行对比分析。通过实验本文发现,除了输入序列的时间间隔（输入间隔）不规则性,输入序列的最后一个时刻点与被预测时刻点之间的时间间隔（预测间隔）不规则性对模型预测性能也有负面影响。（2）建立基于不规则就诊间隔的疾病进展预测模型。本文提出了疾病进展预测模型TA2D-LSTM,该模型综合考虑了不同时间间隔不规则特性对模型的影响并联合考虑了不同就诊点贡献差异。该模型包含两个部分,输入序列建模和被预测点建模。在第一部分,使用时间感知的T-LSTM单元处理不规则的输入间隔,使用注意力机制学习所有输入就诊点的不同贡献,联合建模输入序列。在第二部分,使用两个信息衰减模块DECAY调整第一部分的输出,处理预测间隔的不规则性,将调整后的输出进行合并作为被预测点建模用于最终的预测。最后,在真实疾病数据集和人工生成数据集上进行实验,验证所提模型的有效性。（3）提出基于联邦学习应用场景的解决方案。将本文所提TA2D-LSTM模型应用于联邦学习框架下,分析了数据非独立同分布对模型造成的影响,验证了两种代表性的处理数据非独立同分布方法FedShare和FedProx-D的不足之处。在此基础上,应用两者的融合方法,缓解了FedShare在隐私保护上的不足,获得了更好的性能,为所提模型在联邦学习框架下的应用提供了有效途径。