死亡风险预测指根据病人临床体征监测数据来预测未来一段时间的死亡风险。对于ICU病患,通过死亡风险预测可以有针对性地对病人做出临床诊断,以及合理安排有限的医疗资源。ICU数据存在维度高、类别不平衡、数据缺失等问题,本文提出一种基于深度学习框架的死亡风险预测模型,主要针对ICU脑血管疾病患者进行风险预测,主要内容包括:（1）根据ICU脑血管疾病数据的时序性和高维性,构建了集成模型Multichannel-Bi LSTMs+Attention,将基于Attention机制的Bi LSTM模型与多通道Bi LSTM模型相结合。其中,Bi LSTM独立地处理不同的生理参数,用于突出每个生理参数对死亡风险预测的作用。由于多任务学习可以通过学习多个相关联任务之间的共享信息来提高模型的性能。本文进一步构建了基于Multichannel-Bi LSTMs+Attention的多任务模型,实现ICU脑血管疾病死亡风险和失代偿的多任务预测。（2）从开源的MIMIC III数据库中,选取3080位脑血管疾病患者的16260条ICU监测记录用于研究。首先对数据进行预处理和分析,其次在实验设置环节,分别对所提出的单任务和多任务模型进行了多组对比实验。在Multichannel-Bi LSTMs+Attention模型的对比实验中,实验结果表明其对ICU脑血管死亡风险预测性能优于其它模型,模型精度为AUCROC 0.943和ACC 0.892。在基于Multichannel-Bi LSTMs+Attention的多任务模型对比实验中,实验结果表明其对脑血管疾病死亡风险预测精度达到了的AUCROC 0.975和ACC 0.921,失代偿预测任务也获得了AUCROC 0.834和ACC 0.786,远高于对单任务预测结果。（3）设计并实现了一个ICU脑血管疾病死亡风险预测系统。通过该系统,可以根据患者生理参数数据实时对患者做出死亡风险预测。辅助医生和护士对脑血管患者的病情做出预判,为医生诊断患者生理状况提供依据。