随着我国人口老龄化现象日益严重,脑卒中已成为导致我国人民寿命折损的第一原因。据《中国脑卒中防治报告2019》的数据显示,我国每年因卒中致死人数约有190万。因此,脑卒的防治已成为我国亟待解决的问题。然而,目前对于脑卒中的诊断主要依赖于医师经验和专业医学检查,由于我国医疗水平还存在地域性的差异,一些医院还缺乏高质量的诊疗手段,使得患者不能及时得到良好的医疗救治。随着计算机技术的飞速发展,人工智能为脑卒中的诊疗提供了新的解决方案。论文从脑卒中知识图谱的构建方法以及利用脑卒中知识图谱进行疾病诊断两个角度进行研究。论文的主要研究工作如下:1.脑卒中知识图谱的构建。利用从学术期刊网站上获取脑卒中文献资料以及医疗部门提供的脑卒中电子病历作为数据源构建脑卒中知识图谱。根据脑卒中知识结构的特点,对本体层的类以及类之间关系进行定义,完成脑卒中本体层的构建。为解决传统识别模型在处理文本时忽略上下文关系的问题,提出了改进的ELMo-Bi LSTM-CRF（Embeddings from Language Models Bi-directional Long ShortTerm Memory-Conditional Random Fields）模型的命名实体识别方法,将识别后的实体嵌入到脑卒中本体层,构建脑卒中知识图谱。2.脑卒中疾病诊断方法研究。针对传统的疾病诊断方法对先验知识以及规则的依赖的问题,提出一种基于Trans D-CNN的脑卒中疾病诊断方法。首先根据脑卒中知识图谱数据量大以及存在大量多对多关系的特点,运用Trans D翻译模型处理多对多关系以及解决同一关系连接的实体不属于同一语义空间的问题。将知识图谱中的实体关系三元组嵌入低维表示空间得到实体的向量表示,运用卷积神经网络的分类算法,实现脑卒中疾病的诊断。3.设计实现脑卒中辅助诊断系统。针对脑卒中辅助诊断的需求,基于脑卒中知识图谱的构建以及脑卒中疾病诊断方法,设计基于知识图谱的脑卒中辅助诊断系统,该系统设计实现脑卒中知识图谱数据管理,包括病例管理、脑卒中知识图谱的可视化展示、信息检索、辅助诊断以及系统管理等功能。实验证明,基于知识图谱的脑卒中辅助诊断方法为患者提供医疗服务,为医生提供辅助决策。并将诊疗经验分享到各个基层,实现诊疗能力的同质化输出。