“智慧”使人类善于收集、整理、思考与加工数据并吸纳形成自身知识结构。但随着数据量井喷,海量的数据集的不间断生长使得人类没有足够的精力去进行数据处理,因此人类希望能够制造多个“分身”以帮助人类解决数据处理问题。人工智能便是顺应时代的产物,研究者希望其能够通过对海量大数据的计算分析拥有类脑智慧以具备感知、认知与辅助决策能力。医疗大数据由于与人类健康息息相关,成为了人工智能率先突击的“桥头堡”。但是由于医疗大数据中数据多模态与高复杂性,目前大量方法均不能赋予计算机足够的“智慧”以应对医疗大数据分析和诊断应用中的具体问题。面对该挑战,本文工作分别面向一维的光电容积脉搏波波形、二维与三维的肺结节图像等展开数据分析、特征构建与检测分类任务,具体工作包括如下几个部分:（1）本文针对肺结节快速检测问题使用改进速度函数CV模型并结合SLIC超像素构造方法分割疑似肺结节的模糊边界信息。通过上述两种方法获得结果可以较为准确的找到结节模糊区域的内边界与外边界。使用双边界所划分模糊区域的平均深度能够快速的通过阈值法标定疑似结节,通过实验证明该方法可以快速检测疑似结节并分割结节为后续工作提供预处理操作。（2）本文针对早期肺结节检测问题,提出了一种基于功能真实性概念的生成对抗网络模型（FRGAN）用以生成与低分辨率结节输入相应的高分辨率结节以近似评估其恶性程度。该方法为一种面向低分辨率肺结节分类的尝试性工作。为了保证生成的高清晰度结节能够保持与低分辨率结节具备一致的结节特征,使用了属性关系图挖掘与或图获取面向不同结节类型的功能结构模板,使用广义拉普拉斯距离计算低分辨率属性关系图与高分辨率与或图模板之间的功能结构损失。以此构建生成对抗网络的生成器,通过与使用原始高分辨率图像训练的判别器进行对抗,生成器能够生成高分辨率图像并预测其恶性度分类。通过实验验证本文提出的尝试性框架能够一定的提升低分辨率肺结节图像的检测精度。（3）本文针对肺结节检测中的假阳性降低问题,提出了一种基于多环森林深度决策框架的肺结节假阳性降低方法（MR-Forest）。针对目前用于肺结节检测的深度神经网络框架的高计算与存储消耗问题,本文方法使用了一种球面网格多尺度特征代替了空间采样卷积特征,并使用Level-wise级联自动生长模式为多尺度球面网格特征提供了深度决策分类。球面特征构造过程显性的关联了由Mesh-LBP所得的球面纹理特征、由球面映射形变与容斥网格调整的拟合形变特征和体素空间位置特征。通过使用标准数据集和合并数据集对提出的框架进行验证,该方法对比国际先进方法能够在以较低计算和存储资源消耗的前提下获得具有竞争力的假阳性降低性能。（4）本文针对PPG信号中所包含的关于生理-心理状态识别问题,提出一种基于时空关系推理的深度网络ArvaNet用以提供一种面向全天候心理状态监护的用户负面情绪与心理状态。在该部分工作中,分别使用带有参考标签的电影片段唤醒受访者的情绪,通过对单周期内光电容积脉搏波融合信号的细微波形结构变化分析推断受访者的即时情绪。此后,整合时间因素通过观察连续情绪变化差异性推段受访者心理状态。其中,为了能够提高细微波形变化对于推断结果的影响,引入了基于壁面剪切应力的局部注意机制。所有受访者使用DASS-21量表获取了心理状态参考值并剔除具有极度与重度抑郁与焦虑倾向的受访者,通过对比参考值与推理结果验证本文方法能够为心理状态监护提供有效的技术支撑。