随着我国慢性病问题的日益突出,国家越来越重视慢性病的预防,战略前移,重心下移,从疾病发生的上游入手,对疾病发生的危险因素实行有效控制与管理。构建慢性病风险预测模型可以有效地发现疾病的潜在风险和趋势,从而对疾病进行管理、预防和干预。针对现实生活中,一个病人可能同时出现多种疾病的情况,本文基于深度学习构建多疾病风险预测模型,尽可能在预测时做出最全面、最准确的判断。多疾病风险预测,需要我们从众多危险因素中选择出较为主要的危险因素,使用较少特征达到满意的预测效果。本研究从数据挖掘的角度提出特征选择的方法对慢性病的主要危险因素进行分析。通过对三种基于树模型的集成学习算法RF、GBDT和XGBoost对比实验,选择其中分类效果最好、运行速度更快的XGBoost进行特征选择,经随机搜索对模型超参数调优后,使用平均增益指标gain对特征重要性度量,筛选出模型最重要特征,用常见慢性病验证基本准确,效果较好。并对其他主要危险因素进行了选择。本文采用问题转换的方法将多疾病预测问题转换为多标签分类问题,并用问题转换中LP方法将多标签数据集转换为多类数据集。根据二维医疗数据集中样本的一维特性,选择一维卷积神经网络构建模型。对三种慢性病经过特征选择筛选出的21、32、42、62个特征进行建模,将预测准确率最高的32个特征构建的模型保留,加载到基于Django框架构建的慢性病风险预测系统中,实现用户从前端进行疾病预测。针对目前医疗数据集普遍存在数据不平衡的现象,本文将焦点损失函数应用到疾病预测模型中去,尽管牺牲了未患病类别的准确率,但提高了我们更为关注类别的预测准确率,具有一定意义。