脑梗死是一种高致残率和死亡率的急性脑血管疾病,伴随着生活水平和平均寿命的增长,患病人数呈爆炸性增长趋势。由于缺乏通用且有效的治疗方式,临床上对脑梗死的治疗一般采用防治结合、重在预防的思路。其中,脑梗死高危人群筛查旨在提前发现易患脑梗死的高危人群,进而通过预防干预来延缓或者避免急性临床事件,减轻对个人和家庭的负担。现有的一些研究将收集到的危险因素特征当作一般的单视图结构化数据处理,忽略了其多视图特性。另外在脑梗死高危人群筛查场景中同一视图下的多个特征之间存在相关性,共同反映了样本某一医学属性,各个视图有其特定的信息,现有方法没有考虑提取的视图特定信息中存在冗余;同时视图之间存在联系,某些信息是多个视图所共有的,现有的方法中没有对提取的视图共有信息进行验证。针对上述问题和不足,本文的主要工作包括以下几个方面:（1）针对现有的研究工作中把危险因素数据视作单视图数据处理,忽略其多视图特性的不足,参考医学背景知识对危险因素数据进行视图划分,重构成多视图数据。并基于双向长短期记忆网络设计了一种融合多个视图数据,综合多个细胞单元输出的多视图学习模型。在相关数据集上的系列实验结果表明了该思路和模型的有效性。（2）针对现有的研究工作中提取视图特定信息时没有考虑冗余的问题,利用自编码器结构进行特定信息提取以及去除特定信息和原始信息之间冗余表示。将自编码器的中间层表示作为视图数据的低维表示再通过双向长短期记忆网络进行融合预测。在脑梗死相关数据集和另外两个基准数据集的系列实验结果表明了该思路和模型的有效性。（3）针对现有的研究工作中提取视图共有信息时没有对其验证的问题,借鉴生成式对抗网络的设计思想,设计了一种对抗式网络结构用来提取视图共有信息。利用特征提取器在多个视图上提取能够混淆判别器,使其分辨不出来源视图的特征作为视图共有信息辅助模型预测,并在输入信息增多的情况下引入注意力机制改善数据利用效率,提高预测能力。在脑梗死相关数据集和另外两个基准数据集的系列实验结果表明了该思路和模型的有效性。