脑卒中是一种高发病率、高死亡率、高致残率的急性脑血管疾病,严重影响患者生存质量,同时给社会和家庭带来沉重的经济负担。随着医疗信息化水平的提高,数据挖掘等技术广泛应用于临床医学。面向医疗数据从中提取信息并将其有效表示,依据临床需求构建场景化模型,是医疗数据挖掘研究的关键,具有重要的研究意义和实践价值。脑卒中医疗数据挖掘,指的是通过对医疗数据进行挖掘分析,实现患者医疗数据的科学表征,从而为脑卒中诊疗提供医疗决策支撑。而医疗数据的异质性、时序性、冗余性及多态性等特性为数据挖掘带来了挑战,本文围绕脑卒中重要临床场景,对医疗数据挖掘中使用到的关键技术进行了研究,具体研究工作如下:（1）针对医疗数据复杂多源、数据偏见等问题,提出基于数据优化的不良事件预测方法。首先,基于医学领域知识实现数据预处理操作,提出一种基于集合论的特征选择方法来实现特征筛选。其次,设计基于多角度数据分布的偏见系数加权最终特征集,并利用网格搜索优化后的XGBoost模型实现目标任务。最后,基于夏普利加权解释和部分依赖图直观解释模型结果的临床价值。实验结果表明,该方法同其他方法对比能够以较高精度进行脑卒中院内不良事件预测,并提供直观临床价值解释。（2）针对时序信息挖掘、相关性表征等问题,提出基于相关性表征的死亡预测方法。首先,提出多任务特征重建模块用于构建蕴含类别属性的时序标准化数据。其次,基于双向长短期记忆网络学习数据内部的时序依赖关系,并提出相关性注意力机制挖掘不同特征类别之间的相关性。最后,参照脑卒中诊疗指南规范,以注意力分数解释分析死亡风险预测的临床价值。实验结果表明,该方法在脑卒中一年死亡风险预测任务上优于其他方法,并分析验证了相关性注意力机制的结果具有较好的临床价值。（3）针对医疗数据多维度挖掘、冗余计算等问题,提出基于多维度特征融合的危险因素评估方法。首先,选取四类重要的危险因素做进一步研究,并基于患者基线数据的皮尔森矩阵,构建门控相关性图卷积神经网络用于学习特征间复杂的交互关系。其次,通过双向长短期记忆网络进一步叠加患者信息中的时序依赖,并提出门控相关性注意力机制实现时序相关性的捕捉。最后,基于医学领域知识验证不同特征和不同时间节点的死亡风险预测价值。实验结果表明,该方法同其他基线方法相比有效提高患者死亡风险预测性能,并可以获得较好的死亡危险因素评估效果。（4）针对医疗数据标注成本高、因果表征等问题,提出基于深度主动学习的病因分型方法。首先,基于特征重要度重构临床数据集,并在主动学习循环中,设计多角度融合因果卷积神经网络表征特征因果关系。其次,提出混合不确定度筛选标准自动增补优质数据参与迭代,降低医疗数据标注成本。最后,针对数据不平衡问题,设计KL-Focal Loss作为损失函数并防止主动学习循环中模型过度拟合。实验结果表明,该方法通过因果机制模拟医生的医疗思维,探索疾病智能计算模型设计思路,并与其他方法相比能够实现较高的脑卒中病因分型性能。