颈动脉狭窄、颈动脉内中膜厚度增加（CIMT）或颈动脉斑块等可导致脑卒中的发生。为实现脑卒中大规模初步筛查，提出基于医疗数据的改进的变分自编码器（VAE）来识别和预测异常颈动脉。首先，针对医疗数据存在缺失的情况，采用 K近邻（ KNN）、均值和众数相混合的方法（M KNN）以及改进的VAE对缺失数据进行填补以得到完整的数据集，从而提高数据的应用范围；接着，分析特征属性，并依据重要性对特征进行排序；然后，运用逻辑回归（LR）、支持向量机（SVM）、随机森林（RF）和极限梯度提升树（XGBT）这四种有监督学习方法结合遗传算法（GA）来建立异常颈动脉识别模型；最后，基于改进的VAE建立预测异常颈动脉的半监督模型。相较于基线模型，基于改进的VAE的半监督模型性能提升明显，灵敏度达到0.893 8，特异性达到0.927 2，F1值达到0.910 5，分类准确率达到0.910 5。实验结果表明，所建立的半监督模型可以用来识别异常颈动脉，进而作为一种识别脑卒中高危人群的工具，预防和减少脑卒中的发生。