由于居民生活水平的提高和人们长期不良的生活习惯,导致糖尿病发病率日趋升高。机器学习强大的处理与决策能力有利于辅助建立相应的诊断模型,为糖尿病诊断提供新途径。因此,本文利用机器学习算法建立糖尿病诊断融合模型,具体工作内容如下:（1）为提高SVM分类模型的性能,提出一种基于改进蚁狮算法的支持向量机参数优化模型（EOPCALO-SVM）。首先,对原始蚁狮优化算法（ALO）引入扰动因子、Logistic混沌映射和精英反向学习进行优化,提出了一种具有更好收敛性能的精英反向学习带扰动因子的混沌蚁狮算法（EOPCALO）;其次,利用EOPCALO对SVM的惩罚因子与核参数进行组合优化,提出EOPCALO-SVM模型;最后,在实际糖尿病、乳腺癌、Wine等8个数据集上进行实验,分类准确率最高达到96.91%,证明EOPCALO-SVM具有较高的分类性能以及泛化能力。（2）为降低数据集特征维度,提出一种基于改进蝴蝶优化算法的特征选择方法（IBOA-FS）。首先,为了提升算法的全局和局部搜索能力,对原始蝴蝶优化算法（BOA）引入Logistic-Cubic级联混沌映射、非线性收敛因子以及基于Sigmoid函数的约束因子进行改进;其次,将改进蝴蝶优化算法运用到数据集的特征选择方法中;最后,在8个数据集上进行对比实验,在保证分类准确率不降低的前提下,能获得更优的特征子集,证明IBOA-FS能有效选择最佳特征子集以及提高分类性能,为后续的糖尿病诊断融合模型提供基础。（3）为构建最佳效果的糖尿病诊断模型,提出一种融合IBOA-FS与EOPCALO-SVM的糖尿病诊断融合模型（IBA-FS-SVM）。首先,对8个数据集进行数据预处理;其次,在8个数据集上将IBA-FS-SVM的特征子集和分类准确率与同类型算法作对比;最后,实验结果表明,与EOPCALO-SVM等模型相比,IBA-FS-SVM模型的分类准确率最高达到99.10%,证明了IBA-FS-SVM糖尿病诊断融合模型具有一定的优势与泛化能力。