糖尿病是一种普遍的慢性疾病,不仅会导致血糖的不稳定,而且也会引发一系列的并发症。糖尿病患者大多数时间是在家中和门诊进行血糖管理,但有时候也需要住院来进行血糖调控。糖尿病住院患者可能会面临着不可预知的风险,如高低血糖风险和再入院风险,但现有的医疗手段很难提前预知这些风险。因此,本文对糖尿病住院患者的风险隐患进行分析与研究,在改进的卷积神经网络（Convolutional Neural Network,CNN）基础上,提出了有效的风险预测模型,从而辅助医师对患者进行诊断评估,降低患者的高低血糖风险和再入院风险。本文具体做了以下几个方面工作:（1）提出了一种基于时间卷积神经网络（Temporal Convolutional Neural Network,TCN）的血糖风险预测模型。现有的血糖风险预测方法很难对时序数据进行深层次时间特征的挖掘,为了充分挖掘时序数据中的时间关系并进行高效的预测,本文融合了TCN和极端梯度提升算法（e Xtreme Gradient Boosting,XGBoost）并提出了一个新的时序预测算法模型。在该模型中,TCN结合了卷积神经网络和因果卷积的特点,能够充分挖掘血糖历史数据中的时间信息,同时XGBoost可以在此基础上进行快速、高效的回归预测。实验结果表明,该模型能够有效预测糖尿病患者在未来一段时间的血糖状态,从而辅助医师给患者制订诊疗计划,减少患者高血糖或低血糖的风险。（2）提出了一种基于代价敏感卷积神经网络（Cost Sensitive Convolutional Neural Network,CSCNN）的再入院风险预测模型。对于再入院风险预测研究,其医疗数据往往面临极大的不平衡问题,普通的分类模型并没有考虑数据的不平衡性,导致分类结果不断偏向于多数类的样本而忽略了少数类样本的准确预测。为了解决医疗数据类别不平衡的问题,本文使用代价敏感思想对卷积神经网络的损失函数进行改进,给不同类别赋予不同的损失权重,并在反向传播的过程中迭代训练参数。实验结果表明,本文的模型能够有效地在不平衡再入院数据上进行分类预测,其预测结果可以辅助医师评估患者的出院时间,从而减少患者的再入院风险。（3）设计并实现了基于CNN的糖尿病患者风险预测系统。为了将数据分析技术和糖尿病治疗结合起来,本文基于上述的血糖风险预测模型和再入院风险预测模型设计并实现了一个糖尿病风险预测系统。该系统通过信息采集模块收集患者的住院和体检信息,方便患者了解自己的身体状态。此外,该风险预测系统还可以利用预测模型对患者进行血糖风险预测和再入院风险预测。预测结果可以辅助医师全面了解糖尿病患者在住院期间的身体情况并作出诊断评估,减少患者的高低血糖风险和再入院风险。