据世界卫生组织报道,全球每年有180万至270万毒蛇咬伤患者,其中死亡8.1万至13.8万人,造成永久性残疾40万人。大多数的医疗机构缺乏蛇伤救治的经验,容易出现误诊甚至漏诊,严重者危及病人生命。目前毒蛇咬伤诊断方法主要依靠医生的临床诊疗经验。为提高毒蛇咬伤辅助诊断水平,本文通过收集和整理蛇伤病人临床病历资料,建立包含文本和图像的多模态蛇伤数据集,对数据进行预处理,使用机器学习方法对毒蛇咬伤辅助诊断问题进行模型研究。本文主要成果如下:（1）本文建立了一个多模态蛇伤数据集。在梧州市某医院2014-2020年蛇伤病人临床病历资料的基础上,筛选出750份明确诊断为烙铁头蛇、竹叶青蛇和眼镜蛇咬伤的临床病历,然后根据蛇伤专家意见提取与蛇伤诊断密切关联的文本信息和伤口图像,对文本信息进行数值化描述和预处理,对伤口图像进行数据增强和特征提取,最后以蛇伤种类为类别标签,把与蛇伤诊断密切相关的文本和伤口图像进行关联,建立多模态蛇伤数据集。（2）本文提出了2个基于单模态数据的毒蛇咬伤辅助诊断模型。采用支持向量机结合主成分分析方法设计PCA+SVM毒蛇咬伤辅助诊断模型,在多模态蛇伤数据集中的文本数据上进行训练和测试,得到76.00%的预测准确率;采用VGG16卷积神经网络结合迁移学习方法设计VGG16+TRAINS毒蛇咬伤辅助诊断模型,在多模态蛇伤数据集中的伤口图像数据上进行训练和测试,得到97.33%的预测准确率。（3）本文提出一个基于多模态数据的双尺度交互注意力毒蛇咬伤辅助诊断模型。采用注意力机制结合深度神经网络方法设计多模态双尺度交互注意力毒蛇咬伤辅助诊断模型,使用多模态蛇伤数据集中的文本和伤口图像数据进行训练和测试,得到94.22%的预测准确率,并对比了直接拼接和双线性池化多模态学习模型的预测性能,实验结果证明了双尺度交互注意力模型对多模态蛇伤数据的预测性能更好。本文将机器学习方法运用到毒蛇咬伤的辅助诊断研究中,分别从多模态蛇伤数据集建立、单模态机器学习模型建立、多模态机器学习模型建立三个方面进行研究,最终为毒蛇咬伤救治提供一种快速、高效且低成本的辅助诊断方法,具有现实意义及应用前景。