“健康中国2030”规划纲要明确指出,健康是促进人的全面发展的必然要求。推动健康科技创新,提升医疗健康服务水平已经成为国家发展战略。临床决策支持系统(CDSS)能够有效降低医生的误诊和漏诊率,一直是领域的研究热点。近年来,深度学习和协同过滤技术发展迅速,并越来越多的应用到不同领域。本文基于协同过滤和深度学习技术,对CDSS领域里的临床疾病辅助诊断和临床高危病症预测的方法进行深入研究。针对临床疾病辅助诊断问题,本文深入分析频繁发生的临床疾病信息缺失及其对临床决策的挑战。在此基础上,提出了基于用户的协同过滤、基于受限制波尔兹曼机(RBM)的协同过滤这两种无监督学习方法,以及基于辨识受限玻尔兹曼机(DRBM)的有监督学习方法,以此支持疾病辅助诊断。利用UCI数据库的皮肤病数据集和慢性肾炎数据集,通过随机方法产生3种不同缺失程度的缺失数据集,用于实验训练与验证提出的方法。实验结果表明,基于DRBM的方法整体性能最好,在两个数据集缺失度为30%时,仍有90%以上的分类准确率。针对临床高危病症预测,本文深入研究了基于脑电图(EEG)数据集进行癫痫发作预测存在的问题,特别对预测癫痫发作前片段的概率问题进行了实验分析。本文提出了通过离散傅里叶变化转换时域EEG数据为频域信息,并基于两层卷积神经网络(CNN)提取频域和时间序列数据特征的方法,该方法AUC指标可达到0.79。此外本文还对线性判别分析(LDA)、逻辑回归(LR)和基本的递神经网络(RNN)方法,进行了对比实验与系统分析。实验结果表明基于CNN模型相对于其他模型预测性能最好且预测概率值更精确。