脑卒中是一种急性脑血管疾病,会导致躯体功能障碍而造成患者日常生活不便。康复治疗能够改善脑卒中病变情况,减轻患者身体残疾程度,提高患者日常生活能力,促进患者更好地融入家庭与社会。传统康复治疗效果受医师主观因素影响,将人工智能应用于康复治疗,能够为医师在治疗过程中提供有效的辅助决策支持。由于脑卒中康复辅助决策存在缺少对评定动作的选择分析和未考虑治疗方案相关性等问题,本文从脑卒中自动评定、康复治疗方案推荐和预后预测三个方面开展辅助决策研究,设计并实现脑卒中康复辅助诊疗系统,具体工作如下:1.针对使用单一评定动作的脑卒中康复自动评定未考虑评定动作的选择和效果对比的问题,提出基于双向增强的长短期记忆网络的自动评定模型（Bidirectional Enhanced Long Short-Term Memory with Clustering,BELSTMC）,BELSTMC模型将改进的双向LSTM网络Bi-ELSTM（Bidirectional Enhanced Long Short-Term Memory,Bi-ELSTM）作为基本网络,并融合聚类算法（Rough Fuzzy C-Means,RFCM）。本文使用加速度计采集患者执行评定动作时前臂、大臂和肩部数据,对五种评定动作进行实验分析,在内旋和外旋评定动作实现Brunnstrom量表分期准确率100.00%。2.针对目前脑卒中康复治疗方案推荐未考虑康复治疗方案强相关性的问题,提出基于类相关性学习的卷积神经网络（Convolutional Neural Network based on Class Correlation Learning,CNNCCL）,CNNCCL模型使用两层网络,主网络学习与类别无关的特征,子网络学习类间相关性,并使用残差链接将子网络学习到的注意力映射编码为主网络的卷积特征,以实现治疗方案的类相关性学习。实验结果表明,CNNCCL模型的召回率和精确度分别为83.30%和71.40%。3.针对现有脑卒中康复预后预测未考虑不同量表预测效果,提出基于注意力机制的循环神经网络网络（Recurrent Neural Network based on Attention Mechanism,RNNAM）,采用循环神经网络（Gate Recurrent Unit,GRU）作为RNNAM的基本网络,引入LSTM网络提取文本特征,使用自注意力机制定位关键特征。实验对三个量表进行预测,Fugl-Meyer上肢评定量表预测的准确率为90.70%,决定系数为0.89。4.在康复治疗智能辅助决策相关算法研究基础上进一步设计并实现脑卒中康复辅助诊疗系统。根据临床脑卒中治疗的业务逻辑,分别实现了患者管理、预后预测、评定计划管理、治疗方案推荐等功能,为临床医师提供有效辅助决策支持。