在传统的医疗领域中,患者必须和医生面对面地诉说自身的症状,之后医生通过自身的经验知识来判断患者的疾病情况。这种方式一方面使得部分患者不能及时地得到专家指导,另一方面挂号困难、领域专家稀缺、费用高昂等问题。针对这些问题以及近些年来,深度学习在各行各业的广泛普及与应用,本文将深度学习模型引入到医疗疾病诊断中,使得患者可以通过描述自身病症情况后,系统给出最有可能的患病结果。本文首先采用命名实体识别工作来提取患者病症描述中与疾病诊断相关的数据内容,之后再进行疾病诊断工作。在命名实体识别工作中,在原有的双向长短时记忆神经网络和条件随机场模型的基础上,通过引入多种不同方式的编码层,从而提高命名实体识别工作的准确性。在疾病诊断工作中,通过引入卷积神经网络来解决传统疾病诊断方法中的步骤繁琐和准确率较低的问题。同时针对原始的卷积神经网络文本分类模型过拟合问题,提出了基于平均特征层的卷积神经网络和基于全特征相连层下的卷积神经网络文本分类模型,并通过实验验证了新的网络模型的效果。由于命名实体识别工作和疾病诊断工作为两个不同的网络模型,容易引起偏差爆炸,同时在数据预处理、训练模型和更新模型时复杂度较高。因此本文将前两部分工作融合在一起,提出了一种端到端的医疗疾病诊断模型。通过实验对比验证,端到端的网络模型不仅更加便捷,并且在医疗疾病诊断中有着更好的表现。