心血管疾病作为一种慢性疾病一直困扰着人类,是危害生命健康的严重疾病之一。因此,利用患者的电子病历信息来自动预测心血管疾病,在智能辅助诊疗中具有重要的应用价值,也是智慧医疗研究方面的热点问题。随着自然语言处理技术的发展,疾病预测方面也迎来了其强劲的发展势头。本文在电子病历实际情况的基础上,提出利用现有成熟的命名实体识别技术识别并抽取导致心血管疾病的风险因素,为疾病预测任务提供了新的思路。由此,本文紧紧围绕“如何直接根据风险因素去预测心血管疾病”和“如何融合上下文和风险因素的信息去预测心血管疾病”两个问题提出了对应的预测模型。任务主要包含了风险因素的识别与抽取和心血管疾病预测两个阶段。对于第一个阶段,现有的命名实体识别模型已经发展非常成熟,秉着简单高效的原则,本文选择了Bi LSTM-CRF模型作为风险因素的识别抽取模型。对于第二个阶段,本文的研究内容主要包括了以下三点:（1）针对现有模型不能精确地利用电子病历中所包含的各种有价值的医学信息的问题,本文提出了用于心血管疾病预测的增强型字符级深层卷积神经网络（Enhanced Character-level Deep Convolutional Neural Network,En DCNN）模型。基于半监督的文本区域嵌入（Region Embedding）的字符级模型可以很好地将风险因素及其标签作为整个单元映射到一个向量中,以及下采样（Downsampling）在提高深层CNN的训练效率方面起着至关重要的作用。在人工标注的中文电子病历语料库上,本文的预测模型的F值达到了0.9516,并且预测结果优于大多数以前的相关方法。（2）针对基于风险因素进行心血管疾病预测研究时不能很好地利用电子病历上下文信息的不足,本文提出了一种基于心血管疾病风险因素和电子病历文本序列的方法。该方法采用深度神经网络的注意力机制,将电子病历文本中的字符序列信息与文本中所包含的心血管疾病风险因素进行融合。实验结果表明,该模型提高了心血管疾病预测的性能,F值达到了0.9586,优于相关方法。（3）针对注意力机制只是将注意力集中在上下文的一小部分上,并使用固定大小的向量对其进行汇总,在时间上耦合注意力,通常形成单向注意力的不足,本文提出了心血管疾病风险因素驱动的双向注意力机制（Risk Factor Powered Bidirectional Attention,RFPBi A）网络用于心血管疾病预测。它是一个多阶段的分层过程,表示了不同粒度级别的信息融合,并使用双向注意力机制来获取风险因素的文本表示,而无需进行早期汇总。实验结果表明,该模型的F值达到了0.9424,表现出了不错的性能。