当今社会,医疗健康受到了越来越广泛的重视,尤其是母婴健康,它极大的关系到一个家庭的幸福与否。妊娠期肝内胆汁淤积症（ICP）是一种妊娠中晚期常见的疾病,发病率可高达12%,会造成很多不良妊娠结局,甚至威胁着胎儿生命。由于ICP的致病机制仍不清晰,早发现、早预防以及科学医治是目前较为理想的诊疗方案。本文在临床医学研究的基础上,基于数据挖掘技术等技术,研究ICP三个关键生化指标的早期预测模型,从而可以辅助医生对疾病进行预判,实现ICP的早期预诊。ICP的早期预测研究可以分为聚类和预测两个阶段。首先为了更加精准的进行聚类分析,针对多元时间序列相似性度量,提出一种改进的距离度量算法,能够将具有相似变化的ICP数据进行聚类,有利于提高预测模型的精度。然后,基于改进的融合算法构建了ICP早期预测模型,能够根据妊娠早期生化指标预测中后期指标。最后,设计并实现了针对ICP疾病的早期预测系统。具体研究如下:（1）针对基于动态时间弯曲距离（DTW）的时间序列相似性度量,计算复杂度高,且在距离度量过程中为了追求最小距离,匹配过程中可能出现过渡一对多映射的现象,导致序列严重扭曲,从而影响度量精度的问题,提出一种基于分段特征及自适应加权的动态时间弯曲距离SF-AWDTW。首先对多元序列进行多维分段处理,并提取分段区间拟合线段的斜率、最值以及时间跨度作为特征表示。该处理方式不仅保留了变量间的相关性,同时表达了序列的形态和值域特征,并实现了降维的目的。针对DTW过渡匹配的现象,为每个数据点引入代价权重,在寻求最小路径过程中,根据匹配次数自适应地调整权值,旨在限制弯曲路径中序列点的匹配次数。最终通过大量实验结果的对比分析,验证了基于SF-AWDTW的距离度量方法在多种数据集上具有较高的度量精度,表明该算法可有效改善DTW因过渡匹配从而影响度量效果的问题。（2）针对直接在时间序列上构建长短期记忆网络（LSTM）单一预测模型,其预测精度不高,且时间序列预测过程中累积误差影响预测结果的问题,提出一种基于ARIMA修正的双路径LSTM时间序列预测模型。首先,为了在预测模型中体现ICP时间序列的趋势变化特性,提取序列的趋势序列,并分别使用样本的趋势变化特征构成的序列和指标值序列构建LSTM模型,并将两个预测值相结合,便得到初步预测结果。为了更进一步地提高预测精准度,对初步预测结果中所形成的残差序列构建ARIMA预测模型,目的是用于修正双路径LSTM模型的初步预测值。最后通过实验证实了,融合了趋势变化特征序列的双路径LSTM预测精度得到了相应的提升,再通过ARIMA模型预测的残差值对其进行修正,进一步改善了预测结果。同时,通过比较几种融合模型对ICP预测的拟合曲线可知,所提预测模型预测的结果更接近于真实值。（3）设计并实现ICP早期预测系统。通过对系统进行详细的需求分析与设计,完成病历管理、疾病预测等主要功能模块的开发,实现了基于双路径LSTM-ARIMA预测模型在妊娠期肝内胆汁淤积症预测系统中的应用,为医生和患者提供了更为优质的医疗体验。