【目的】对影响脑卒中患者复发风险因素进行重要程度计算,提取高度相关的风险因素,并构建特征指标体系,通过对不同深度学习算法模型预测效果之间的评价,确定最佳的预测模型,评估患者风险等级,并从健康角度分析提出具有针对性的预防措施,辅助医生诊疗,为医疗领域的人工智能应用奠定基础。【方法】（1）文献分析法:通过梳理和分析国内外文献和案例,了解脑卒中疾病复发风险预测研究的发展历程和深度学习在脑卒中疾病诊断应用现状和趋势,在已有的研究里分析、归纳和总结常用的算法模型。（2）专家咨询法:通过咨询相关领域专家了解影响缺血性脑卒中复发风险因素以及对脑卒中病发到复发这一渐变过程中患者复发风险等级有一个清晰的认识。（3）粗糙集理论:基于粗糙集理论属性约简方法对患者的风险属性反复进行重要程度计算,提取高度相关的风险因素纳入特征指标体系。（4）深度学习方法:构建支持向量机（support vector machines,SVM）、卷积神经网络（Convolutional Neural Network,CNN）、长短期记忆神经网络（Long short-term memory,LSTM）以及双向长短期记忆神经网络（Bi-directional Long short-term memory,Bi LSTM）等四种预测模型,使用精确率（Precision,P）、召回率（Recall,R）、F1值以及AUC（Area Under Curve）值四种评价指标来评估模型效果,反复调参优化模型。【结果】（1）通过文献分析法和专家咨询法将缺血性脑卒中风险因素分为5个类别,共68个常见的风险因素。（2）通过粗糙集理论属性约简的方法,提取了高度相关的风险因素,构建了特征指标体系,其中有5个一级指标,34个二级指标。（3）在算法构建中发现用Bi LSTM算法构建的复发风险预测模型效果最好,经过参数调优后,得到了最终的风险预测模型（Precision:0.84,Recall:0.85,F1:0.91,AUC:0.95）。【结论】（1）在构建预测模型之前利用粗糙集理论属性约简的方法可以达到风险因素精准不冗余,大大的提高额预测效果的可信度。（2）基于时序性的数据构建预测算法模型,通过四个评价指标的评估显示Bi LSTM预测效果最好,未来我国的脑卒中疾病诊疗模式应该与时俱进,运用人工智能技术来提高脑卒中诊疗水平,此研究思路可以在其他疾病预测风险中推广。（3）在缺血性脑卒中复发的预防过程中,可以根据复发风险等级不同提供针对性预防措施,规范药物治疗,加强患者疾病专业知识以及完善临床诊疗模式都能起到良好的作用。