随着人工智能技术在医疗信息化领域的应用，各种智能辅助诊断设备和系统不断涌现，给临床医生提供很大便利。重症监护病房（ICU）担负危重病人的临时救治工作，通常ICU的临床监护设备会对病人各主要器官的生理状态进行监控，其产生大量时间序列数据。ICU疾病表型诊断是通过采集病人在ICU住院期间的临床监测数据，在病人离开ICU时回溯性地给出病人当前罹患的疾病，临床上，通常医生基于监测数据，结合自身医学经验，同时参考量化的诊断图表给出疾病表型诊断结果，该项工作存在人工诊断困难且对单个病人医疗成本大的问题。ICU疾病表型预测旨在采集ICU病人多源生理监测数据，构建疾病表型预测模型，辅助医生疾病表型诊断。建模存在的关键问题包括：病人监测时间序列长度不同、采样不规律、数据缺失等。针对以上问题，本文主要研究内容包括：
　　1）基于MIMICⅢ公开医学数据库，设计数据过滤准则，提取出两个ICU表型预测数据集；并采用One-hot编码、插值填充法对离散变量及缺失数据进行预处理；
　　2）本文将ICU疾病表型预测问题归纳为多标记分类问题，并采用Binary Relevance(BR)方法对数据集的多表型标记进行二分类转换；
　　3）本文构建了一个深度学习构架的ICU疾病表型预测模型DLSTM-CNN，该模型主要由两部分组成：双长短时记忆网络（DLSTM）序列自动编码器和卷积神经网络（CNN）特征提取器。前者由两个不同的LSTM组成，用于完成变长数据序列到定长数据序列的转变；后者实现数据特征提取，并给出两种CNN设计：“多分辨率”卷积神经网络和“单分辨率”卷积神经网络用于特征提取。
　　4）在实验部分，采用Micro-average AUC、Macro-average AUC和Weighted-average AUC作为评价指标，对参数设置及模型对比，并在本文提取的两个数据集上进行比较实验。实验表明，本文提出的DLSTM-CNN模型，在“多分辨率”卷积神经网络框架下Macro-AUC结果为0.775、Micro-AUC结果为0.828、Weighted-AUC结果为0.767。