近年来,随着互联网技术和智慧医疗的发展,用户获得医疗信息的方式也随之改变,开始通过互联网获取医疗信息。由于医疗领域与网络上积累了大量的多模态医学信息数据,因而出现了信息过载问题,用户难以快速获得相关的医疗信息。推荐系统是目前解决信息过载问题的常用方案。医疗推荐系统能将这些数据提炼和应用,精准地为患者用户推荐医疗信息,从而优化医疗资源配置。本文以心血管疾病的医学数据为基础,结合临床文本模态数据与图像波形模态数据,利用混合推荐方法,构建个性化医疗推荐系统来提供推荐服务。本文主要工作如下:首先,针对医疗推荐系统领域对多模态医学数据利用不充分的问题,本文结合医疗文本数据和图像波形数据,提出一种针对多模态心血管疾病医学数据的获取、处理和特征提取的流程方法。本文首先获取多模态数据并进行预处理,然后使用TF-IDF（词频-逆文本频率指数）算法来获得医疗文本数据特征。接着针对图像波形模态数据中的心电信号获取结构化特征这一困难,本文使用确定学习理论来对心电信号建模,获得心电动力学图,并计算得到量化特征。最后将文本模态特征和心电图特征结合成多模态特征进行存储,能够增加推荐系统的特征表达能力。随后,基于上述获得的多模态特征,本文设计了混合推荐算法模型。该模型是在基于深度学习框架的深度因子分解机（Deep FM）算法与传统的推荐算法的基础上,利用并行式混合范式（Parallelized Hybridization）构建而成的算法模型。这一模型解决了传统推荐算法模型对多模态数据特征表达能力不足的问题。此外,本文还对该模型在自建数据集上进行了对比验证。在实验中,本文所提方案的综合评估指标F1值（精确率和召回率的调和平均值）达到82.51%,这一结果证明了该推荐模型的有效性。最后,在上述基础上,本文提出了多模态心血管病医学数据的医疗推荐系统的体系框架,构建了基于B/S结构和Flask框架的个性化医疗推荐系统。从交互使用的角度,该系统实现了个性化的医疗信息推荐功能。在实际使用时,用户通过输入个人的多模态医学信息便可获得心血管疾病相关的个性化就医信息,如推荐的医院、医生和可能疾病等信息。这一设计有助于实现分级诊疗,优化医疗资源的配置。