2019年末,一场新型冠状病毒（COVID-19）疫情席卷全球,对全球的卫生健康与经济安全造成了巨大的冲击。如何快速结束疫情,并维持高强度的疫情管控与经济发展之间的平衡,成为了全世界人民关注的焦点问题。因此,针对疫情的建模分析成为了学者们探究讨论的热点。针对疫情发展的不确定性、干扰的多样性等问题,采用何种方法对疫情进行建模,使得模型更加精确、真实,并且能够预测疫情走向,分析不同防疫策略下疫情发展有重要的意义。疫情发展具有较强的不确定性,从而影响疫情预测模型的精度。为了解决这一问题,提出了一种结合一维卷积（Convolutional Neural Networks,CNN）与堆叠的双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi LSTM）的混合疫情预测模型。首先,使用一维的卷积结构提取数据之间的空间特征,然后使用Bi LSTM进一步提取数据内部的时间特征。接下来,将提取到的空间和时间特征相结合,并采用堆栈的网络结构对融合后的特征进行更加深层次的表征和学习。该混合模型可以学习到时间序列数据更深层次的内部特征,提高了疫情预测的精度。此外,该模型使用二维的累计确诊及每日新增数据作为输入,通过将两种序列数据之间的信息相结合,可以同时对二维数据进行预测,进一步提升了预测的效率。通过分析意大利与台湾地区的疫情预测结果,并与现有方法进行对比,证明了本文所提方法的有效性与优越性。为了满足模型真实性的需求,同时解决干扰的多样性这一问题,提出了一种分阶段分析的时变参数隔离-易感-潜伏-感染-恢复（Q-SEIR）动力学建模方法,实现对疫情的建模与预测。该模型考虑了实际疫情中的隔离因素,并将隔离人群视为确诊人群,更加符合真实情况,增强了模型的真实性和对隔离数据的拟合能力。基于实际的疫情发展特点,该模型对疫情发展进行分阶段建模,对不同的阶段分别设计不同的时变感染系数,进一步增强了模型的真实性,同时可以更好地体现防疫策略对模型的干扰。通过潜伏期推算法与最小二乘方法,给出了时变感染系数在不同时刻的取值。通过多个地区的疫情数据建模仿真,证明了该模型的有效性。为了对疫情发展趋势进行分析讨论,本文基于李雅普诺夫稳定性证明理论对所提Q-SEIR动力学模型进行了稳定性分析和证明。通过理论推导,证明了所提模型的稳定性和收敛性主要与感染系数有关。且现有的感染系数强满足模型稳定和收敛的所需条件。文章进一步分析了人口迁移对模型稳定性的影响,并给出了模型快速收敛的条件,该条件为防疫策略的实施提供了有力的理论依据。通过一个数值仿真案例,不仅证实了上述结论,同时模拟了不同防疫策略对疫情发展和模型收敛的影响。