在公共卫生方面，传染病对人类生产生活的影响是全方位的，不仅会造成患者身体的不适或功能障碍，还会由于重大传染病的流行而引起人民的恐慌情绪和社会动荡，甚至能够阻滞国家的经济发展。媒介传染病是一类由动物传播的急性传染病，其中蚊媒传染病的占比较高。近年来随着全球气候变化、生态变化、人口流动和城市化等多种自然和社会因素的影响，直接或间接驱动了蚊媒传染病影响范围的扩大和爆发强度的增强。有效及时的预测传染病的暴发风险可以最大限度的减少传染病的影响。目前我国所开发的传染病预测模型大多基于传统的传染病动力学模型，对非线性时间序列数据的拟合效果较差，在实际运用中误差较大，效果差强人意。且传统蚊媒传染病预测过于依赖蚊虫监测数据，该数据不能及时的发布，影响预测的及时性。因此，针对当前传染病的严峻形势，利用新技术建立更加实用的预测模型，提高预测的准确性和及时性，对政府和相关单位早期预警和防控策略的制订具有极其重要的意义。
　　深度学习模型已经在时间序列分析中得到了广泛的应用，相较于需要通过人工专家提取特征和确定权重的机器学习，深度学习模型端到端的模型训练方式更适用于时间序列分析领域，而且深度学习模型对时序数据中存在的噪声的鲁棒性更强。针对当前传染病风险预测模型的精度偏差过大和预测延迟等问题，本文利用深度学习技术，将环境数据与传染病时间序列数据直接建立关联，避免了因其他监测数据发布延迟而影响预测模型的实用性和及时性。此外，通过深度学习技术实现端到端的传染病预测，也将大大提高传染病风险预测模型的准确度。本文主要工作包括：
　　(1)针对重庆地区常年的乙脑疫情，本文使用长短时记忆网络对乙脑的疫情趋势进行预测，并开发了乙型脑炎疫情风险预测模型。长短时记忆神经网络是一种具有特殊结构的循环神经网络。该模型通过增加遗忘门、记忆门和输出门结构缓解了传统神经网络的梯度消失和梯度爆炸问题，具有能够识别序列数据变量之间长期依赖关系信息的能力特点，非常适合用于时间序列预测。利用长短期记忆神经网络不仅能够进行短期预测而且能获取时序数据长期趋势的特点，对重庆地区的乙脑月病例数据进行建模。实验结果表明，该模型在媒介传染病风险预测精度上表现较优。
　　(2)针对中国大陆日益严峻的登革热疫情，本文构建了长短时记忆网络预测模型。本文针对登革热月病例数据的周期性特点，将长短期记忆网络模型应用于登革热风险预测。该模型自主捕获登革热时序数据的长期发展趋势和季节性周期波动，实现了端到端的准确预测。此外通过利用迁移学习(Transfer Learning，TL)技术，使该模型不仅能够准确预测登革热高风险地区的登革热流行动态，还能提高登革热发病率较低地区的早期预警精度。通过实验比较，所提方法可以有效的进行媒介传染病风险预测。