本文提出了一種基于深度學習方法的慢性阻塞性肺疾病危重程度自動分類算法，并以大樣本臨床數據為輸入特征，分析各特征在分類中所占的權重。研究通過特征選擇、模型訓練、參數優化、模型測試，建立了基于深信度網絡架構的分類預測模型，通過對 2007 年、2011 年兩個版本的慢性阻塞性肺疾病全球倡議組織（GOLD）危重程度標準進行自動分類與測試，分類準確率均達到 90% 以上。同時，通過分析模型系數矩陣得出輸入特征的貢獻度排序，并通過該排序發現，貢獻度較大的輸入特征與臨床診斷先驗知識之間存在較好的吻合性，證明了深信度網絡分類模型的有效性。通過本文研究，期望能為深度學習方法在疾病診斷輔助決策中的應用提供有效解決方案。