近年来,人们对从互联网上获得日常健康照护与帮助的知识需求越来越强烈,智慧健康的研究成为热点。面对线下健康医疗资源的紧张情况,对互联网健康数据进行分析研究具有重要的现实意义和应用价值。然而,中文领域互联网健康数据的研究面临着一些挑战和问题。如中文的特殊性、缺乏相关辅助词典和知识库以及互联网单个数据源的可用数据量不大等。深度学习是一种非常有前景的机器学习方法,但基于深度学习的方法来处理文本需要大量的数据进行训练。因此,利用深度学习技术来对中文互联网数据进行健康相关的分析任务是本文的主要研究问题。本文主要研究贡献如下:·提出了针对中文社交媒体的健康相关恶意用户检测方法,该方法使用基于深度学习的特征融合模型来整合包括时间突发性特征、用户个人信息特征以及基于文本内容特征的较为全面特征集合。利用构建的相对完整中文健康医疗词典来支持文本的预处理。实验结果表明采用的方法优于基准方法,并且中文健康医疗词典确实有助于提高基于文本内容的分析方法性能。·提出了针对互联网上疾病中文文本的基于深度学习主题分类框架。本文继续利用中文健康医疗词典处理中文文本,并以糖尿病为疾病案例,建立类别清晰的糖尿病分类标准,采用一些糖尿病主题类别的专业释义作为辅助领域知识,并将其纳入到深度学习模型的训练过程中,形成本文疾病相关的文本主题分类框架。该框架容易扩展到其它疾病,实现疾病相关的文本主题分类。实验结果表明,领域监督模型更有效地将领域知识纳入到深度学习的训练过程中,在小数据学习的情况下提升了分类效果。·提出了针对中文在线问答社区数据特点的基于GAN医生推荐框架,它利用博弈论思想使得深度学习模型能够在有限数据量的情况下达到理想的收敛效果,实现小数据学习,以帮助中文在线问答社区的医生和病人。首先提出了两种基于神经网络从非结构化数据中测量医生和病人之间相关性的评分函数,然后有效利用并结合各种非隐私、非敏感的数据,这些数据包括病人个人信息、医生个人信息和医患文本互动内容。实验结果表明基于GAN的模型在没有大规模训练数据的情况下显著优于一些先进的基准方法。