社区获得性肺炎（Community-Acquired Pneumonia,CAP）是患者入住重症监护室（Intensive Care Unit,ICU）的常见原因。发达国家CAP的患病率远小于发展中国家,CAP患者入院治疗并发生死亡事件的几率在13%左右,而严重CAP患者的死亡率约达35%,其中30天的死亡率极高。利用电子健康记录（Electronic Health Record,EHR）中的数据,对患者的院内死亡风险进行充分有效的预测和评估,是医学上急需解决的任务之一,尤其是针对入住了重症监护室的患者的死亡风险评估和预测。但是在实际实现上,鉴于时间紧张,病情复杂等情况,对CAP病情做出快速有效的诊断是不现实的。那么建立准确高效的预测模型来辅助医生决策,就显得非常有意义。传统的死亡风险评价方法,对CAP的30天死亡风险预测效果不佳。另有一些基于逻辑回归的模型,难以有效处理EHR中的高维度数据以及相对复杂的数据情况。所以,本文提出了基于长短期记忆网络（Long Short-Term Memory,LSTM）的方法,对社区获得性肺炎30天死亡率进行预测。目前,收集的EHR时序数据集逐渐增多,与LSTM方法结合应用,可以很好地诊断许多健康问题和预后预测问题。本文的主要内容:（1）数据集获取与预处理。对评判CAP病情情况和影响CAP死亡风险的评分系统和文献进行分析和总结,来确定本研究所要选取的风险指标。依据风险指标从目标数据库获取数据集,然后对其进行预处理,完成数据准备工作;（2）CAP死亡率预测模型的构建。基于LSTM建立了社区获得性肺炎死亡率预测模型,对模型的结构和超参数进行研究和设定的同时也将过拟合问题进行了考虑。然后对模型加以训练和测试,从模型的评分看出,LSTM模型效果表现的比不考虑数据时序性的模型要好,说明其能够充分挖掘时序数据内在的有用信息,所以该模型能够完成对社区获得性肺炎30天死亡率预测的任务;（3）CAP死亡率预测应用系统开发。对预测模型进行应用拓展,以面向对象的设计方法,利用JAVA语言实现了对社区获得性肺炎30天死亡率预测系统的开发。本文对基于LSTM的社区获得性肺炎死亡率预测方法进行了相关研究,并实现了对CAP死亡风险的预测,进而帮助ICU医生更好的为CAP患者提供更优质的治疗方案。