〔摘　要〕 目的 构建基于卷积神经网络(CNN)-长短时记忆网络(LSTM)-注意力机制(Attention)的深度学习模型，探讨气象、临床因素与缺血性脑卒中发病的关联性。方法 纳入缺血性脑卒中住院患者的临床资料及同期的气象数据，构建基于CNN、LSTM和Attention的融合模型CNN-LSTM-Attention,通过最大预测偏差和均方根误差(RMSE)评估模型的预测性能。通过选择1～7 d的滞后天数，探讨不同滞后天数对预测性能的影响。结果 在短期和长期预测中，CNN-LSTM-Attention融合模型(短期：1.5和0.6;长期：8.3和2.5)的最大预测偏差和RMSE均优于LSTM模型(短期：2.8和1.2;长期：19.5和5.5)和CNN-LSTM模型(短期：2.0和0.8;长期：11.2和3.3)。纳入滞后天数后，滞后3 d(短期：0.7和0.4;长期：5.5和1.9)和5 d(短期：0.8和0.3;长期：6.5和2.0)在短期和长期预测中的最大预测偏差和RMSE均小于滞后0 d(短期：1.5和0.6;长期：8.3和2.5)。滞后1 d(1.5和0.8)和7 d(1.9和0.9)在短期预测中的最大预测偏差和RMSE均大于滞后0 d。在长期预测中，滞后1 d(6.8和2.4)的两项指标低于滞后0 d,高于滞后3 d和5 d,滞后7 d的最大预测偏差(7.5)低于滞后0 d,但RMSE(2.7)高于滞后0 d。结论 建立的CNN-LSTM-Attention融合模型对缺血性脑卒中发病具有较好的预测性，可为医疗资源合理配置提供参考。