近年来,大数据分析技术在医疗领域逐渐得到了广泛的应用。其中,聚类方法通过计算数据间的相似度得到类簇从而帮助我们发现样本间隐藏的联系。而将聚类技术应用于医疗领域能够挖掘医学数据中的潜在信息,为医学研究人员提供决策支持。本文对聚类技术在疾病危险因素上的提取算法模型做了研究,具体工作如下:本文构建了基于改进Canopy的K均值算法模型以提取危险因素。首先基于特征选择双标准策略对数据进行特征筛选,利用改进Canopy算法得到聚类初始值,通过K均值挖掘特征变量内部联系,以相关指数作为衡量指标提取关键因素。实验表明该算法在预测聚类个数以及其它聚类性能等评价指标上都取得了较好的表现。针对固定权重的聚类方法不能够准确刻画数据几何结构的问题,本文将动态调整权重思想应用于K均值算法。利用基于支持向量机的递归特征消除法构建初始权重,在初始中心点的选取上更贴合真实分布,提高了收敛效率,减少迭代次数。算法根据特征变量权重选择危险因素,实验证明该算法在时间效率上取得了较优的性能,同时验证了依据权重选取关键特征方法的有效性。医学数据错综复杂,可分析性低,本文将高斯混合模型聚类与硬聚类方法相结合,应用于医学研究领域,融合二者优点,并改进了EM算法参数初始化问题。利用决策树结构,提出了“加权层次系数”的概念,以此作为特征节点重要性度量,利用集成思想研究数据集子集内部趋势。