随着经济的快速发展,人们的生活节奏不断加快,因各种不良生活习惯所引发的疾病发病率也随之增高,然而由于实际医疗资源的有限性和疾病诊断过程的复杂性,现有的医疗条件难以满足日益增长的就诊需求;此外,医疗信息化技术的发展也使医疗机构积累了大量的医疗数据;因此,研究利用现有医疗数据服务于临床,对减轻医务工作者负担、提高工作效率具有重要意义。本文研究利用机器学习算法构建疾病诊断模型,为实际疾病诊断提供有力参考,减少各类主观因素对决策结果的影响,降低疾病误诊概率,提高疾病诊断效率。主要研究内容及成果如下:(1)为减少医疗数据中无关特征对模型性能的影响,提出一种基于改进蝗虫优化算法的特征选择方法。首先在传统蝗虫优化算法(GOA)的基础上引入非线性递减系数、自适应位置权重及limit阈值对GOA进行改进,并通过基准函数优化实验证明改进算法(IGOA)的有效性及优越性;其次,利用IGOA对数据集的特征子集进行搜索,提出一种基于IGOA的特征选择方法(IGOA-FS);最后,经多个数据集实验结果表明,IGOA-FS能够有效进行数据集特征选择操作,降低数据维度,提高模型性能。(2)为提高模型分类性能,提出一种基于改进鲸鱼算法优化的SVM疾病诊断模型。首先,通过自适应概率阈值、个体位置更新权重以及预选择小生境技术对传统鲸鱼优化算法(WOA)进行改进,提出一种具备更高寻优精度和更快收敛速度的改进算法(APN-WOA);其次,利用APN-WOA对SVM的惩罚因子C及核函数带宽?进行组合优化,提出一种基于APN-WOA优化的SVM疾病诊断模型(APN-WOA-SVM);最后,在多个疾病数据集上对APN-WOA-SVM性能进行测试,实验结果表明,相较于对比方法,APN-WOA-SVM在不同数据集上均具备更高分类准确率。(3)为实现模型参数的优化与数据集特征选择同步完成,提出一种将IGOA-FS特征选择方法与APN-WOA-SVM进行融合的疾病诊断模型(FS-SVM)。首先,比较IGOA与APN-WOA算法性能优劣;其次,选取性能较优的APN-WOA对数据集的特征子集以及SVM的惩罚因子C和核函数带宽?进行组合优化;最后,在多个疾病数据集上的实验结果表明,相较于未融合特征选择方法的APN-WOA-SVM,FS-SVM的分类性能有明显提升,并且相较于所对比的其他算法,FS-SVM的分类性能和特征选择效果均具备一定优势。