将计算机辅助诊断系统应用于日常临床诊断可在一定程度上减轻医生的工作负担,然而传统的计算机辅助诊断系统在应对规模逐渐增大的临床数据集时已有些力不从心,深度学习技术的出现,使得利用计算机技术对大规模临床数据进行分析诊断成为了可能。医生对疾病的诊断通常要结合电子病历文本数据、医学影像数据、检查指标数据等多种结构及模态的临床数据作为判断依据,然而目前常见的基于深度学习技术的计算机辅助诊断系统大多仅使用单一结构或模态的检查数据进行分析,导致获得的特征信息存在局限性,使得产生的辅助诊断结论缺乏对患者病情的全面考量。因此,本文设计并实现了基于深度学习技术的异构临床数据分析系统,通过融合诊断过程中产生的多种临床数据进行分析,得出更精准的辅助诊断结论。系统采用了深度学习技术对异构临床数据按照模态进行建模和分析,并针对数据模型使用决策级融合策略,设计并实现了投票法和权重法两种融合方法对各诊断子模型的决策值进行统计计算,以此实现了异构临床数据的融合分析。此外,本文还使用了具有多种结构及模态临床数据的阿尔茨海默症公开数据集,对系统的数据预处理、模型性能及融合方法的效果进行了对比评估。实验结果验证了本文设计并实现的诊断模型及融合方法的有效性,证明了综合异构多模态数据进行考量的方式不仅更贴近真实的诊断流程,还有助于医生把握患者整体病情、获得更准确的判断结果。