肺结核是由结核杆菌感染引起的一种能够在人与人之间传染的疾病。在中国所有种类的传染病中,肺结核传染病的发病数占据前列。虽然有模型能对其未来发展趋势进行预测,但是其考虑的因素有限,预测精度相对较差。随着机器学习领域中深度学习不断发展,其应用已经非常广泛。因此,使用深度学习算法来预测肺结核传染病是一个可以进行研究和应用的方向。本文通过深度学习技术对四川省各地市州肺结核传染病的发病强度以及发展趋势进行研究。同时结合相关预警技术,预测其未来流行规模并对异常情况进行预警通知。本文首先研究影响肺结核疫情的因素,然后再通过现有数据采集手段获取相关数据,并通过数据预处理技术来规范不同数据源的数据,同时从流行病学的角度研究影响因素与肺结核传染病流行的关系。又由于肺结核传染病具有时空特性,并且传染病预测常用的差分整合移动平均自回归(ARIMA)模型存在一些问题,所以根据深度学习中图卷积神经网络和转化器模型的特征,本文提出gcTrans模型来解决该模型存在的问题。同时为了更好说明该模型的有效性,本研究中还使用转换器模型的编码器部分作为另一个对比模型。然后通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数R2来评测模型效果。最后将这三种模型在未来多个时间点上的预测效果进行对比。本文提出的gcTrans模型解决了传统模型构建步骤繁琐、考虑因素单一以及不能提取空间特征的问题,还解决了图中各结点特征在经过图卷积算法处理后过于平滑的缺陷。通过上述实验对比分析,在预测准确度上,gcTrans模型比其他两种模型更好,并且该模型还具有长期预测能力。最后在上述研究基础上,设计并实现了一个预测预警系统。该系统能够让公共卫生人员方便观测其未来发展趋势以及更早发现异常情况,以便通过一些措施控制它的发展,尽量降低它给社会带来的损失。