为提高疾病进展、治疗方案及药物反应等医疗事件的预测性能，辅助医疗决策。从电子病历提取出医疗实体及其相互关系，构建医疗知识图谱并利用链接预测模型实现对医疗事件的预测。然而，现有时序链接预测模型面临未能充分利用事实之间的结构依赖信息、难以有效捕捉实体和关系的动态演化特征等问题。提出了基于演化学习的医疗时序知识图谱链接预测模型MedEvoLP(Evolutionary Learning for Medical Temporal Knowledge Graph Link Prediction)。首先构造关系共现图，利用关系图卷积网络和时序图卷积网络进行递归演化，捕捉并发医疗事实中实体和关系的结构依赖，充分利用医疗知识图谱中丰富的上下文信息。MedEvoLP还将多个相邻时间戳组成为时间单元，作为模型的基本演化单元，参与医疗实体嵌入与关系嵌入的动态演化，有效捕捉医疗知识图谱的动态演化特征。在MIMIC-III 和DiabetesP中提取的临床记录上与8种基准模型进行了对比实验。实验结果表明，MedEvoLP在多个评估指标上均优于基准模型，例如在MIMIC-III数据集上，MedEvoLP的命中率(Hits@1)达到42.37%，证明MedEvoLP模型具有更好的性能。