心脑血管疾病是50岁以上中老年人高发疾病,具有高患病率和高致残率等特点,一直位居所有疾病死亡率榜首。近年来,深度学习临床预测模型在医疗领域得到了广泛应用,可以辅助医生进行医疗诊断。本研究以心脑血管疾病作为研究对象,运用图卷积网络构建心脑血管疾病临床预测模型。本文具体工作如下:（1）针对现有距离度量方法无法有效提取长时间序列特征以度量心脑血管患者相似性的问题,提出了一种基于局部极值提取和惩罚动态时间规整算法的时间序列相似性度量方法PDTW＿LE。首先,PDTW＿LE对长时间序列进行局部极值提取,使用局部极值点来近似表示长时间序列,在缩短时间序列长度的同时保留了原时间序列的变化趋势,达到减少算法计算时间的目的。此外,为了解决动态时间规整算法中的畸形匹配问题,提出惩罚动态时间规整算法,该算法为序列节点的匹配次数添加惩罚系数,在计算最短路径过程中根据节点匹配次数自适应地调整其权重。实验结果表明,相比其他基线距离度量方法,PDTW＿LE方法在分类任务上具有更高的准确率和更快的计算速度。（2）针对电子健康记录中存在大量稀疏数据以及现有临床预测模型往往忽略相似患者之间拥有类似的病理表现等问题,提出了一种基于患者相似度的类时空图卷积临床预测模型BSim-STGCN。为了获取缺失数据的当前衰减程度,BSim-STGCN设计全局缺失信息捕获机制,使用全局缺失率挖掘缺失数据在整条时间序列下的当前缺失表示,以降低缺失数据对模型训练的负面影响。此外,为了挖掘相似患者之间的生理特征变化趋势,BSim-STGCN首先基于患者相似度构造患者类空间结构,然后提出类空间图卷积来建模患者之间潜在的类空间依赖关系,以提高临床预测的准确性。实验结果表明,在真实数据集MIMIC-III和Physio Net2012中,BSim-STGCN模型的预测准确率均优于基线模型。（3）针对现有临床预测模型忽略患者特征之间的相互影响特性以及BSim-STGCN模型时间开销过大等问题,提出了一种基于跨时空图卷积和聚类联邦学习的临床预测模型CFL-AGCN。为了有效提取患者特征之间的相互影响关系,CFL-AGCN设计跨时空图卷积来建模患者特征的跨时空相关性,可以提高临床预测的准确率。此外,CFL-AGCN将多种类别疾病下的患者基于相似度进行聚类,并为每个类别下的患者分别训练本地模型,本地模型并行训练可以减少模型时间开销。CFL-AGCN模型在真实数据集MIMICIII和Physio Net2012上进行实验。实验结果表明,CFL-AGCN模型在临床预测任务上的准确率高于基线模型,并加快了模型训练速度。