电子病历是临床医疗活动最详实、直接的记录形式,是进行智能诊断的数据基础。电子病历的诊断结果是多病种的,包含正常诊断、病理诊断及并发症等,因此智能诊断问题可以作为多标签分类问题处理。医疗信息化的发展累积了海量医学数据,基于电子病历进行智能诊断可以显著提高诊断的效率以及诊断的准确率,缓解医疗资源供需矛盾的问题。真实电子病历数据中的诊断结果分布不平衡,罕见病和低发病的出现频率远少于常见疾病。本文以产科电子病历数据集为切入点,探讨提升基于非平衡电子病历数据集的智能诊断性能,主要完成了以下工作:（1）针对数据集中高耦合的诊断结果,提出了基于双解耦网络（Double Decoupled Network,DDN）的智能诊断算法。DDN首先对表示学习与分类器学习解耦。在表示学习阶段使用CNN学习数据原始特征后固定表示学习参数。在分类器学习阶段,提出解耦重平衡算法对高耦合的诊断结果解耦后重新平衡数据集分布,再使用平衡后的数据集训练分类器。在产科电子病历数据集的实验结果表明,相较未采用双解耦的方法,DDN的准确率提高了4.36%,达到84.17%。对高耦合诊断结果的准确率增量进行分析,DDN能够有效增加低频样本数量,学习良好的特征表示,提高低频疾病的诊断性能。（2）针对数据集中全部诊断结果,提出了融合标签语义（Incorporating Label Semantics,ILS）的智能诊断算法。首先使用BERT模型编码电子病历得到词表示;再使用图卷积神经网络编码构建的标签图以捕捉标签相关性;提出可调节注意力机制,建模标签和文档之间的语义关系,获得特定于标签的词表示;最后结合两类词表示输入到Bi-LSTM文档编码器中进行疾病诊断。在产科电子病历数据集的实验结果表明,相较基础BERT模型,ILS的准确率提高了2.15%,达到86.16%。对低频疾病诊断结果的n DCG@K值进行分析,ILS能充分利用标签语义补充低频疾病的信息,提高低频疾病的诊断性能。基于ILS开发了智能诊断系统“小医”,实现良好的人机交互,辅助医生决策。