智慧交通和健康医疗等诸多领域产生了海量的时间序列数据,并呈现出异构性和动态性等特点。如何利用深度学习等方法有效挖掘时间序列数据中复杂的时间依赖性,对异构时序事件进行预测,为相关领域的应用服务提供数据决策支持,已成为研究热点。现有的异构时序事件预测方法普遍存在两个问题:第一,现有工作大多关注于解决时序数据的“样本变量繁多”和“样本不规则采样”等异构性问题,忽视了特定领域知识对事件预测的指导性作用;第二,以深度学习为代表的人工智能算法不可避免地存在可解释性弱的缺陷,即模型知其“果”而不知其“因”,从而导致优秀的预测模型难以获得领域专家的认可,甚至质疑其预测过程的合理性。为解决以上问题,本论文提出了融合领域知识和结合模型可解释性的异构时序事件预测算法。首先融合特定领域知识,利用深度神经网络来挖掘异构时序数据中的复杂非线性依赖性,从而提高异构时序事件预测能力;然后引入可解释性模块,提高了深度学习方法在时序事件预测任务中的可解释性。该算法的有效性在重症监护室ICU患者终点预测任务进行验证和评估。具体研究内容如下:第一,分析异构时序数据的特点,并对临床医学领域的数据集进行数据补全和数据标注等预处理操作。第二,融合临床医学领域的先验知识构建权重模块,设计基于双向长短期记忆网络的P-BiLSTM算法。由于临床领域知识的融合提高了深度神经网络的学习能力,P-BiLSTM在两个真实数据集（PhysioNet和MIMIC Ⅲ）中对ICU患者终点预测的精度均优于六种基线方法。第三,结合信息增益率构建的SHAP模型改进P-BiLSTM算法,设计可解释性的异构时序事件预测算法（PI-BiLSTM）。实验结果表明,在ICU患者终点预测任务中,特征变量的重要性排序与临床领域先验知识相符,验证了 PI-BiLSTM算法的可解释性。