目的:研究并建立基于多模态深度特征融合的感染性呼吸系统疾病辅助诊断推理模型,针对感染性呼吸系统疾病建立结合影像学、实验室检查结果和临床表现的多模态数据库方法:对感染性呼吸系统疾病患者的NGS数据、临床表现、实验室检测结果、影像学检测结果等多模态数据进行有效收集与缺失值处理。并研究多模态数据的深度特征融合算法,耦合感染性呼吸系统疾病不同模态数据的私有特征与共享特征,深入挖掘不同模态隐含信息,得到有利于进行辅助诊断的高效鲁棒共享特征。针对现有感染性呼吸系统疾病病例相关数据调取范围与数据库建立并没有统一规范,通过对已有回顾性数据整理和历史性数据随访,同时大量收集和检测新增感染性病例及由此衍生的完备病原微生物高通量基因组学数据和临床关联数据,制定数据调取范围,进行病例数据汇总。针对汇总多模态数据中存在数据缺失、数据不精确的问题,研究基于分布式减法聚类的不完整数据填充算法。通过改进的减法聚类算法对不完整数据进行聚类,再利用聚类结果和加权距离对不完整数据进行填充。从而对含有缺失属性值的数据进行快速、精确填充处理,为后续数据挖掘分析等任务做好准备。选取并对比目前常用的模型和算法,对比深度学习模型、深度强化学习模型、深度Q网络等方法,进行预实验和模型训练。无监督多模态数据深度非负相关特征融合算法。通过先为每个模态构建两个投影矩阵将原始数据特征分别转换成模态私有和模态共享特征表示。然后通过模态间共享特征的耦合为每个模态构建误差函数,并对其进行联合优化。从而进行模态私有（不相关或负相关）特征和模态间相关特征的共同学习,获取潜在子空间中更加有效且鲁棒的多模态数据的共享特征。通过模态间知识的相互补充与共享,挖掘多模态数据的隐藏语义信息,更好地辅助疾病的诊断。针对现有感染性呼吸系统疾病病例不同源数据间存在数据分布不均衡,有些模态病例数据相对较少,而相关模态病例数据相对较多的问题,为将相近模态的充分知识迁移到数据实例较少的模态中,支撑目标任务实现,研究不均衡多模态数据的深度迁移特征融合算法。基于深度学习网络的高层语义抽象特性,设计耦合模态深度网络与模态特征相关的多层语义匹配深度网络架构。通过多层跨模态特征的相关匹配,逐步减少异构模态间的语义偏差。利用顶层输出特征的最大相关对模态网络进行整体优化调整,进一步提升模态深度语义的相关性。定义新的目标函数联合优化异构模态深度匹配网络,得到跨模态高层语义融合子空间,在子空间内完成源模态知识到目标模态任务的迁移学习。根据感染性呼吸系统疾病健康医疗的应用需求,结合医学词典、电子病历、各种医学指南、专家共识等基础数据,建立感染性呼吸系统疾病领域知识图谱。通过自顶向下的方式,先由领域专家构建本体库,然后依据关系提取相关规则,从关系数据库等异构数据源中将数据填充到知识图谱中,形成领域知识图谱。结果:建立感染性呼吸系统疾病的全流程辅助诊断推理模型。首先通过关系嵌入、实体嵌入进行数据预处理。通过深度模型学习到的特征进行特征融合学习,最后进行疾病状态预测,构建了一套完整的感染性呼吸系统疾病的全流程辅助诊断推理模型。结论:通过深度多模态进行特征提取,实现肺部感染性疾病诊断和治疗模型的建立的,这是未来临床医学和人工智能结合的研究方向。