近年来,随着电子健康记录（Electronic Health Records,EHR）在医疗机构中的广泛使用和计算机技术的飞速发展,深度学习技术在医疗领域的预测任务中取得了巨大的成就,其中基于患者的历史就诊记录进行药物推荐是医疗信息学领域中的一个研究热点,准确、有效地推荐药物组合对于帮助医生做出合适的临床决策是有重要意义的。因此,如何基于时序EHR数据挖掘患者的就诊规律从而提高推荐药物组合的性能是本文重点解决的问题。目前,大多数研究通过使用深度学习模型对患者的就诊序列进行建模来解决这个问题。然而,现有方法仍存在一些不足:一方面,它们主要集中于获取医疗数据的全局信息,忽略了局部依赖信息,而且也没有考虑到时序EHR数据中存在的不规则时间间隔对药物推荐性能的影响;另一方面,有些药物两两之间存在药物-药物相互作用（Drug-Drug Interaction,DDI）关系,而使用存在不良 DDI 关系的药物组合可能导致病人病情加重甚至死亡,因此在药物推荐任务中考虑不良DDI关系是有必要的。此外,药物描述、医生处方等非结构化文本信息对于提高药物推荐的准确性也有积极作用,然而,目前的方法并没有考虑到融合这些非结构化的文本信息来提高深度学习模型的建模性能。为了解决上述问题,本文对基于深度学习的药物组合推荐任务进行了深入研究:1.提出了 一个基于时间感知层次依赖学习的药物推荐模型（Time-Aware Hierarchical Dependency Network for Medication Recommendation,TAHDNet）。针对 EHR数据中存在的不规则时间间隔特征,该模型引入动态时间感知模块,捕捉患者病情随着时间间隔的变化情况;另一方面,该模型通过分别使用Transformer和一维卷积神经网络分别学习药物和诊断级别的全局依赖和患者访问级别的局部依赖这两种不同层级的依赖关系,提升模型的表示学习能力,从而提高药物推荐的性能。2.提出了一个基于信息增强和不良DDI信息的药物组合推荐优化模型。在研究内容1的基础上,该模型通过加入非结构化文本信息和DDI关系来进行药物组合推荐优化。具体来说,该模型使用Transformer网络来对非结构化文本信息进行表示学习,同时,在TAHDNet模型的基础上引入DDI损失函数来共同决定药物组合推荐的结果。此外,本文设计了基于文本信息感知的跳跃连接模块来融合非结构化文本信息特征与结构化的EHR特征。该模块除了可以增强信息表示,还可以尽可能地避免由于模型过度复杂而导致的梯度消失和梯度爆炸问题,进一步优化了模型的性能。最后,本文在MIMIC-Ⅲ公开数据集上进行模型的性能验证。实验结果表明,与现有的药物推荐方法相比,本文所提的模型均取得了较好的实验效果。