随着深度学习模型的提出与优化以及算力支持的逐渐强大,人工智能(Artificial Intelligence,AI)渐渐渗入到各行各业,例如AI+教育、AI+安防、AI+医疗等等。而AI赋能医疗近年来受到极大的关注。本课题旨在研究分析所给特定医学电子病历,结合其内容组成,搭建合适的深度学习模型,实现该类医学电子病历的分类任务。对于医学电子病历分类问题,本文主要做了如下研究。首先搭建了传统的统计机器学习模型进行病历分类研究,包括逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和梯度提升树(Gradient Boosting Decision Tree,GBDT)。针对统计机器学习模型有限的学习能力及其对手工特征的强烈依赖,采用深度学习模型对此类问题进行建模。在研究该类电子病历的内容组成,进行相关深度学习技术的背景调研之后,搭建端到端记忆神经网络模型(End-to-End Memory Networks,MemN2N)进行分类建模,取得了相比于传统统计机器学习模型较高的分类准确率。此外,对于MemN2N相关模型的文本嵌入表示方法,目前有直接相加法和双向长短期记忆网络(Bi-directional long-shortterm memory network,Bi-LSTM)方法。针对这些模型所处理的多跳推理问题,分析其所给的开源数据集之后,分析到对于每一个问答对原文的问题的答案都聚焦于原文中的某一个或者某几个单词。针对上述挑战,本文提出卷积端到端记忆神经网络模型(Convolutional End-to-End Memory Networks,CMemN2N),其主要为MemN2N提出了一种卷积架构,以在给定随机初始化的词向量的情况下生成更好的原始文本的嵌入表示。它在计算句子的向量表示以捕获局部有用信息的过程中引入了卷积架构。同时,为保证对于原文及其对应问题都获取到了相关有用的局部信息,因此本文将卷积体系结构同时应用于原文和问题的嵌入表示上。在此种情况下,本文提出的模型可以同时接收原文和问题中的重要信息,并将它们进行相关性分析,避免同时考虑所有有效以及无效的信息而导致信息冗余或噪音信息。最后,将改进后的CMemN2N模型与门控端到端记忆神经网络(Gated end-to-end memory networks,Gated-MemN2N)及双向长短期记忆网络端到端记忆神经网络(Bi-directional long-short term memory network MemN2N,Bi-LSTM-MemN2N)模型在公开数据集(bAbI task)上进行实验,实验显示CMemN2N在公开数据集多跳推理问答任务上的平均回答准确率高于其他对比模型。