新冠肺炎疫情席卷全球,抗击疫情成为全人类共同的战役。此外,常见的季节性传染病（如流感、手足口病等）也给公共卫生和社会经济带来沉重的负担。在此背景下,传染病预警预测正成为科学研究的热点。实践证明,开展传染病预警预测研究不仅有利于及早发现疫情发展趋势,合理调配医疗资源;而且对防疫政策和复工复产决策的制定也至关重要。但是由于传染病传播涉及复杂的生物系统和社会系统,以传统线性模型为主的传染病预测方法误差较大,在实际运用中效果并不理想。因此,本文以时空建模为中心,利用计算生物学方法和深度学习方法实现传染病预警与预测。本文主要贡献如下:1)基于计算生物学的动态网络标志物理论,并将其拓展应用到宏观尺度的区域城市网络,提出了基于时空建模和景观动态网络标志物的传染病预警方法。该方法通过挖掘传染病传播的动态空间特征和动态时变特征,实现对潜在传染病爆发的早期预警功能。经过真实数据的应用验证,该方法具有样本需求小,可解释性强等优点,适用于区域传染病实时监测;但其也存在一些局限性,如无法精准预测传染病的感染人数及爆发规模。2)针对景观动态网络标志物方法的局限性,后续研究引入深度学习技术,从特征改进和模型改进两个方面,提高传染病时间序列多步预测模型的预测精度。对于特征工程方面,本研究在一元传染病时间序列预测分析的基础上,加入气象数据和搜索引擎指数等辅助特征,有效提高Seq2Seq模型的预测能力。对于模型改进方面,针对预测步长较大时多元模型预测精度提升较小的问题,提出了基于注意力机制的Seq2Seq预测模型。通过引入注意力机制分配关注点,提升了模型多步预测的精度和性能。3)针对传染病的区域传播特性,提出了以时空建模为基础的时空特征融合和模型融合的传染病预测模型。使用卷积长短期记忆网络作为模型的编码器,从传染病时空张量序列中学习空间关联性特征和长时依赖性特征;注意力机制突出当前时间步最为关注的时空信息。经过真实传染病数据的应用,该模型在单步和多步预测中精度均得到提升,尤其是在长预测窗口和疫情爆发阶段具有较强的鲁棒性。本文针对传染病发展的动态时变性和空间关联性设计了上述三种模型,模型结构由简单到复杂,预测粒度由粗到细。在研究结尾根据不同模型的功能及特点,对其适用场景进行对比和分析。本文研究成果可为不同场景下的传染病预警预测工作提供方法支持。