医疗健康问题关乎人民的身体健康、生命安全以及家庭幸福,守护全民身心健康是重中之重。现如今,当代年轻人的生活节奏逐步加快,物质需求逐渐提高,生活压力不断增大,年轻人猝死离世的几率越来越高。人们需要借助智慧医疗技术手段,实现高效便捷的线上医疗问诊方式帮助普通用户足不出户掌握医学知识,在紧急救援状态下进行自我诊治,并且通过医学知识的普及加强疾病防范意识,充分认识慢性疾病的潜在威胁,以及为自己的身体实行定期体检。在此研究背景下,本文借助深度学习和知识图谱等技术手段,对疾病诊断方法展开研究,主要研究内容包括以下三个方面:第一,提出一种基于Vocab-GCN的中文医疗文本分类方法,可以识别45种不同的疾病或者科室。采用图卷积神经网络模型可以直接对医疗文本图进行学习,在图嵌入中保存医学关系图的全局结构信息。实验从准确率、精确度、召回率和F1值将本文方法与自然语言处理领域中经典的深度学习方法LSTM、GRU、CNN以及GCN基线模型在文本分类任务中进行实验对比,实验结果表明基于Vocab-GCN的中文医疗文本分类方法具有更好的分类性能,疾病分类准确率达到75.86%,相比于最优的深度学习方法提高了6.17%。第二,研究了基于知识图谱的医疗诊断方法。该方法首先通过提取结构化数据集中的疾病、症状、药物等实体和实体间关系自动构建知识图谱,然后采用AC多模式匹配算法和基于编辑距离、重叠系数、余弦相似度评分混合构成的语义相似度计算方法联合识别实体信息,深度解析输入问题,其次通过朴素贝叶斯算法将问题分类转化为文本分类,最佳精度可达96.86%。最后通过问答效果展示对知识图谱的构建质量进行评价,经过多次实验测试,该问答系统可以准确回答大部分医疗问题。第三,研究了一种新颖的基于深度学习的知识图谱医疗诊断方法。在该方法中提出了一种基于BERT的联合Bi LSTM和Bi GRU的智能问答匹配方法（BBBMU）,并采用BBBMU和知识图谱联合解决医疗诊断问题。该医疗诊断方法对输入的文本问题,首先在知识图谱中进行信息检索,如果找不到答案则被判定为搜索意图不明确,则进入问题对检索模块。实验中,将本文方法与最先进的MALSTM、BERT和HBAM三种疾病诊断模型进行了实验对比,实验结果表明本文方法的疾病诊断准确率达86.5%,具有更好的医疗诊断性能。