脑卒中是危害中老年人群生命健康的主要疾病之一,并且现在缺乏对脑卒中疾病有效的治疗手段。临床认为较好的手段是在脑卒中患者病发前,通过前期预防,对行为进行干预,从而减少脑卒中疾病的发作。近年来,深度学习已经得到广泛的应用,其中包括图片、语言、语音等领域,同样在现有的脑卒中预测的研究中,基于深度学习的机器学习方法的性能效果突出。然而,深度学习建立一个良好的模型前提是需要获取大量已标记好的数据。但是,实际中的脑卒中数据呈分布式地以小数据量子集的形式散落在不同地域的医院中。直观上,解决深度学习所需数据量的问题就是直接将所有相关的数据整合起来,并将其训练构建一个模型。但是在现实场景中,由于医疗系统中严格的隐私保护政策,不同地域间的医疗数据不能进行数据共享。为了解决以上问题,将会如下进行讨论:1.本文利用基于混合深度迁移学习方法对脑卒中进行预测。其中具体数据是采集于患者患病前三年间的检验检查数据以及性别、年龄等人口学数据,通过模型预测其三年后是否会出现脑卒中。其中基于混合深度迁移学习模型主要包括三个组成部分。一,对于地域医院呈分布式且不可共享的脑卒中数据,我们使用了生成样本迁移的方法（GIT）将不同地域间的数据以生成的样本进行迁移。二,为了从生成的样本筛选出包含最多信息的迁移的样本,我们使用了主动样本迁移（AIT）方法。三,对于医院内部可共享的数据,我们实现了对高血压、糖尿病等与脑卒中不同但相关的慢性疾病的参数迁移（NWT）。通过上述方法解决脑卒中数据样本量小、数据不平衡、数据呈分布式且受保护的问题。在实验部分,为了验证不同场景下的脑卒中迁移实验,我们在仿真的环境下验证了方法的有效性;在实际的场景中,我们将本文的方法应用于呈地域分布的三家医院的脑卒中及慢性病的数据,与现有的脑卒中预测方法进行了对比取得更好的效果。2.基于网络权重的迁移学习方法可以利用多个源域,其中迁移是不同的源域按一定的顺序训练好并将模型迁移至下一个源域,并最终迁移到目标域中,尽管性能比利用单个源域的性能好,但是寻找最优的迁移结构（模型网络权重迁移的层数、顺序）需要遍历所有的可能结构,这样是十分耗时的,尤其在网络结构非常复杂的情况下。因此,本文提出基于贝叶斯优化的迁移网络结构优化方法,其中使用高斯过程对拟求的函数分布进行估计,再使用特定的采集函数评估下一个可能出现的最优点。最后我们对本文提出的方法进行了验证。结尾处对下一步的研究工作进行了讨论。