临床诊疗的电子化发展使海量临床数据保存于互联网中,对于医疗数据利用不足问题,使用知识图谱处理结构松散的医疗知识效果良好。本文主要研究面向医疗领域的知识图谱构建方法及卒中救治应用,重点针对医疗领域知识图谱的构建,并将脑卒中知识图谱运用在卒中救治小程序上,主要工作如下:（1）针对如今诊疗数据利用不充分的问题,本文对大量文献进行归纳整理,提出一种面向医疗领域的知识图谱构建方法。构建方法包含4个步骤:首先构建知识图谱本体结构,作为知识图谱框架;然后使用Crowdsourcing语义标注,得到已标注的规整数据;再补全外源数据,将其他来源的结构化程度较好的数据与语义标注数据整合;最后,针对知识图谱中疏松的实体或关系,利用深度学习算法进行抽取和补充（命名为MCDE方法）。论文针对语义标注、实体集的扩充以及关系抽取三个步骤进行实验分析。其中,语义标注的F1值在90%以上,扩充实体集的准确率大于80%,但关系抽取的效果不明显。（2）基于MCDE方法构建了脑卒中知识图谱。首先,采用半自动化标注的脑卒中疾病词典,结合ICD-10等国际标准医学术语搭建知识图谱的模式层;然后,爬取垂直领域医学网站和Crowdsourcing网站的公开医学文本信息,经过数据清洗,得到的医学知识三元组与中文症状库中抽取的脑卒中信息进行知识融合,采用改进的实体相似度计算方法扩充图谱;最后,迭代更新不断地完善已建立的知识图谱。通过MCDE方法在较短时间内构建出了覆盖面、准确率都较高的脑卒中知识图谱,证明该方法在构建医疗领域知识图谱中有效。对比分析了Trans系列模型在知识图谱嵌入过程的作用,最终选择了F1值较高的Trans D模型。（3）基于以上工作,完善基于脑卒中知识图谱的卒中救治小程序,将脑卒中知识图谱作为智能检索模块的数据层。该程序提供知识检索、急救地图、数据管理、急救呼叫等服务。为患者提供健康管理工具,结合了深度学习模型,实现知识图谱应用到智能检索的过程,解决了结构化数据到应用的端到端问题。