随着深度学习技术的发展以及电子健康病历系统的广泛应用,如何借助人工智能有效分析利用电子健康病历的海量数据,建立智能化的疾病诊断预测决策支持,辅助医务人员治疗患者已经成为了目前的研究热点。诊断预测是医疗保健中的一项重要的预测任务,其目的是根据病人的历史医疗记录预测其未来的诊断。这个任务的关键要求是有效地分析高维度、嘈杂和时间性的电子健康记录数据以及医学概念表示的可解释性。因此,本文以医学领域知识作为引导,面向诊断预测中的医学概念表示学习、患者就诊的时序特征提取和医学知识的特征融合,探索融合医学知识与电子健康病历的诊断预测方法,主要的研究工作内容如下:（1）构建了融合医学本体和电子健康病历的无向网络图,设计了基于Node2vec和知识注意力机制的诊断预测模型。首先,使用图嵌入Node2vec从所构建的网络图中学习富含医学语义信息的医学概念表示;其次,对于患者就诊时序特征的提取以及知识特征的融合,设计了一种就诊级别的知识注意力机制,并与门控循环单元结合,给出一种电子健康记录与外部医学知识有效融合的方法。（2）设计了基于图卷积GCN和多头注意力机制的诊断预测模型。首先,设计了基于GCN的医学概念表示的学习方法,提高医学概念表示的可解释性;其次,设计了基于自注意力和双向门控循环单元的时序特征提取模块,增加其隐状态的表达并改进患者就诊的时序特征提取;此外,设计了基于Transformer的知识注意力模块,捕捉患者就诊特征与医学本体的知识特征之间的相互关系并进行特征融合,利用这些信息完成患者未来诊断预测。（3）搭建了基于Web架构的诊断预测原型系统。以本文所设计的诊断预测神经网络模型为基础,通过Spring Cloud微服务架构和Tensor Flow Serving接口部署,构建出诊断预测原型系统,利用患者历史健康状况来预测患者最有可能疾病的诊断,揭示病情并协助医生做出治疗决策。