机器学习是人工智能研究中的关键技术,在医学健康方面有着广泛的应用前景。心血管疾病（Cardiovascular Diseases,CVD）是目前世界上对人类社会造成严重健康威胁的疾病。采用机器学习方法对CVD风险进行精确地预测,可以有效识别高风险患者及危险因素,及时采取相应的干预措施并帮助医疗机构优化资源分配,具有重要的现实意义。针对CVD风险预测,本文进行了以下几个方面的研究工作:（1）研究了基于机器学习模型的CVD每日入院量预测方法。在数据采集上,除基本的入院量数据外,将环境因素也纳入研究中;然后在机器学习模型上采用直接预测策略构建CVD每日入院量预测模型,并与传统的LR模型进行结果对比;最后进行特征重要性分析。结果表明,机器学习模型在各个指标上均优于LR模型,其中Adaboost模型预测表现最好。（2）研究了急性心肌梗死（Acute Myocardial Infarction,AMI）患者再入院风险预测方法,提出了一种基于Stacking技术的集成学习模型来预测AMI患者30天内非计划再入院风险。通过一种自适应策略从多个候选模型中选择一些模型作为基分类器,然后在基分类器上构建三层Stacking集成学习模型,并且与机器学习模型进行预测结果的对比。结果显示,与机器学习模型相比,本文提出的Stacking模型在各个评价指标上均取得最优的表现。（3）研究了基于深度学习的AMI患者住院死亡风险预测方法。首先构建了深度学习中的多层感知机（Multi-Layer Perceptron,MLP）模型,然后通过一种结合线性模型和树模型优点的过滤式特征选择方法进行特征选择,最后采用逐层相关传播（Layer-wise Relevance Propagation,LRP）方法进行可解释性研究。实验结果表明,本文构建的MLP模型相较其他模型表现最优,采用的过滤式特征选择方法能明显提高模型预测表现并减少其运行时间,LRP方法在临床结构化数据上也能有很好的解释效果。