准确可靠地预测重症监护室（ICU）中患者的死亡率是一项非常有意义的工作,它能够对患者的病情进行提早评估,并对临床结果做出初步预测,这样可以使临床医生根据预测结果对重症患者实施早期干预,提供给患者及时有效的治疗,以防止他们病情的恶化。随着数据挖掘技术的发展,越来越多的科研人员就ICU中患者死亡率预测的问题展开研究,并取得了良好的进展。但是这些研究中使用的患者数据大多是结构化的形式,然而在现实生活中,患者数据之间的关系往往是错综复杂的,用结构化的方式难以表示出患者数据间的潜在关系。除此之外,传统的死亡率预测方法当处理结构化数据时可以表现出良好的性能,但当处理非结构化数据时,往往很难对这些数据进行建模。针对上述问题,本文进行了深入研究,通过使用图结构的方式对患者数据进行建模,使数据表示与患者的实际状态更为贴切,同时基于图神经网络进行训练,从而挖掘患者数据中的复杂结构信息。具体而言,本文主要做了如下工作:（1）将图神经网络引入到患者死亡率预测研究中,目前图神经网络在很多领域都取得了良好的进展,例如推荐系统、分子化学、社交网络等,但尚未应用到患者的死亡率预测方向上,本文基于这个出发点做了一个应用的创新,使用门控图神经网络来进行ICU中患者死亡率的预测。（2）本文在门控图神经网络的基础上做了改进,提出了一种基于注意力门控图神经网络的死亡率预测模型GGNNAT。该模型主要考虑到患者图中节点拓扑结构性质的不同,因此将自适应注意力机制加入到门控图神经网络的传播过程中,通过给对中心节点起不同作用的邻居节点动态的分配权重,来体现其邻居节点的不同重要程度,使模型能够自动学习到信息传播过程中比较重要的节点信息,从而能更好的对患者信息进行传播更新,提高模型对患者死亡率预测的能力。（3）基于MIMIC-Ⅲ数据库,本文提取了以ICD-9码划分的五种常见疾病的数据集,并在这五个疾病的数据集上分别对模型进行评估。实验结果表明,本文所提出的模型要优于其它基线方法,能够有效提高ICU中患者死亡率预测的性能。