糖尿病是一种常见的慢性代谢疾病,会引发多种严重威胁人类生命健康安全的并发症,包括糖尿病性肾病和糖尿病性心血管疾病等,其相关的预防和治疗工作已经成为一个重大社会挑战。其中,糖尿病性心血管疾病是导致糖尿病患者残疾和死亡的主要原因,也是一种可防可控的疾病,做好糖尿病性心血管疾病的早期干预和治疗,可以有效控制疾病进展,提高糖尿病患者生存率。因此,寻求一种有效的糖尿病性心血管疾病风险评估方法,用于疾病的早期预防和治疗,具有重要的研究意义和临床价值。目前对于糖尿病性心血管疾病的研究大多基于统计学方法,致力于患者年龄、胆固醇等风险特征与疾病风险之间的相关性分析,并取得了一定进展。但这种将患者个体特征与代谢指标特征视作同类风险特征的处理方式缺乏对患者个体特征的关注,同时忽略了风险特征与疾病风险间的因果关系,以及糖尿病这一重要疾病背景信息。对此,基于上海某三甲医院收集得到的医疗数据集,本文提出了一个新的深度学习网络模型,即基于个体特征交互的因果稳定学习网络,用于糖尿病性心血管疾病风险评估任务。由此,本文的研究内容主要可以分为以下三个部分:（1）提出了一种基于重要性评分的糖尿病代谢特征选择方法,用于糖尿病数据集的特征分析和选取,从而降低数据集上无关或冗余的代谢特征对糖尿病性心血管疾病风险评估任务的影响。该方法结合模型相关和模型无关的特征选择方法进行特征重要性评分,利用评分进行排名,最后通过共同关注策略进行特征选择。实验结果表明,本文提出的特性选择方法在糖尿病性心血管疾病风险评估任务中表现出了较高的准确率和较好的模型泛化能力,为更好地实现本文研究任务提供了支持。（2）提出了一个基于个体特征交互的因果稳定学习模型,用于糖尿病性心血管疾病风险评估。该模型考虑糖尿病疾病特点,采用患者长期医疗就诊数据作为模型输入,输出为患者糖尿病性心血管疾病风险评估值。为了降低糖尿病数据集上并发症差异带来的影响,增强模型稳定性,该模型首先采用因果稳定和时间感知的长短期记忆网络（Causal and Time-aware Long Short-Term Memory,Causalaware TLSTM）来学习患者长期代谢特征中的疾病风险信息;其次,为了强调患者个体特征的临床意义,该模型基于注意力机制将个体特征与Causal-aware TLSTM中得到的疾病风险信息进行特征交互,从而获得信息更加完整和准确的疾病风险表示;最后,模型使用全连接网络进行疾病风险评估。实验结果表明,本文提出的模型在糖尿病性心血管疾病风险评估任务中具有更好的表现,且始终优于对比模型,其实验评估指标在模型准确率、召回率、F1分数和接收者操作特征曲线下面积分别可达94.33%、89.84%、93.33%和93.90%。（3）设计并构建了一个糖尿病性心血管疾病风险评估辅助系统。该系统采用前后端分离的设计思想,联合本文提出的特征选择方法和疾病风险评估模型,并按照需求分析和系统设计等软件开发步骤进行构建。其中,系统分为管理员端和医生端,管理员端主要实现系统数据和用户信息的管理功能,医生端主要实现患者就诊信息管理和糖尿病性心血管疾病风险评估任务。