随着人们对医疗的重视,人工智能的快速发展,“人工智能（AI）+医疗”的相关研究工作越来越受到关注。传感器技术的改革以及可穿戴设备在日常生活的应用,其中生物传感器越来越能精准的收集到人体的生理信号数据,也使得AI技术快速在医疗研究上开展起来。但是目前流行的医疗检测手段大多在医生依靠自身领域知识、或者CT图像识别、基因图谱识别、以及对生物传感器采集的信号数据进行人工特征提取的方向上,但这一类方法对大量的传感器数据来讲,难以挖掘数据中潜在信息,不容易嵌入移动设备以实现实时监测,容易导致不能及时发现异常情况而采取有效医疗手段,从而导致更严重的身体疾病。因此,有必要将传统的人工提取生理数据转换为直接对原始数据进行分析以达到实时预测。本文根据监护仪采集的人体生理信号数据,选取最能代表人的身体状况的血压、心电图、呼吸这三个信号,提出一种基于深度时序卷积网络（Deep CNN-LSTM）和多模生理数据的疾病识别方法,自动提取信号特征并分析之间的时间依赖关系,以达到疾病识别的目的。本文主要工作如下:（1）介绍本研究课题的相关背景和意义,并深入分析关于人工智能在疾病识别领域的国内外研究现状,归纳总结已有方法的不足之处,从而提出该课题的主要研究内容和创新的地方,重点阐述关于数据来源和实验涉及的相关理论知识。（2）根据研究对象的复杂性,针对目前信号识别领域中大多数只关注某一特征而忽略其他影响因素,以及大多数采取人工提取时序特征的问题,本文考虑到与人体密切相关的多种生理信号数据,提出一种识别多模生理信号的深度卷积网络层（CNN）和长短期记忆网络（LSTM）的混合方法（Deep CNN-LSTM）。该方法首先通过平稳小波变换和中值滤波器对低频信号进行去噪和纠正基线的预处理,然后使用滑动窗口法获取短时间片段序列集,使用CNN获取片段序列集的特征集,最后使用LSTM学习特征集之间的时间依赖最终得到疾病识别率。（3）在真实收集的三种人体生理信号数据上分析Deep CNN-LSTM混合模型的识别效果,并根据实验评估指标来对比分析不同模型的表现情况。