在医疗信息化蓬勃发展的今天,基于移动应用程序的线上门诊预约服务已经广泛地得到了应用。然而,由于信息的不透明和患者对医学知识的匮乏,患者无法预诊自己的疾病,更无法深入了解医生的专长。使用线上门诊预约服务匹配合适的医生困难重重,往往造成医疗资源浪费以及医疗服务质量的下降,甚至延误就诊的黄金时间,对患者的生命健康造成威胁。在专科门诊当中,医患的精准匹配更为关键。目前,已经有一些学术研究和企业在尝试为“专科线上门诊预约”情景提供智能化解决方案。但是,这些探索没有提出高效可靠的医患匹配模型或框架。同时,针对“在线”医患匹配研究,虽然有机器学习,优化算法等技术作为支撑,但鲜有针对专科“在线”医患匹配特质设计的算法。基于此背景,本文提出了基于多疾病预诊贝叶斯网络的在线医患匹配模型。模型使用预诊贝叶斯网络模型对患者进行预诊,再利用患者的疾病状态和医生专长计算医患匹配因子,最后利用本文提出的在线医患匹配算法完成在线医患匹配。我们首先研究了预诊贝叶斯网络模型及其学习算法。预诊贝叶斯网络模型的训练需要从电子病历数据和医学专家知识中预处理训练数据和贝叶斯网络学习约束,本文为这个预处理步骤提出了行之有效的解决方案。我们使用了基于改进的缓存计算算法的分支定界贝叶斯网络结构学习算法来学习贝叶斯网络的结构。基于合作医院福建某三甲医院耳鼻喉科一年期间的住院患者数据,我们进行了预诊问题的实验分析。实验结果表明,本文提出的改进的缓存计算算法较改进前算法缩减了80%的计算时间。实验对比了分支定界结构学习算法和禁忌搜索算法得到的预诊模型,分支定界较初始网络提升近3%,准确率提升2.1%且结构更加简单。对比禁忌搜索算法得到的结果,本文的方法能够更好的防止过拟合现象。之后,我们研究了在线医患匹配问题的模型和算法。我们提出了医患匹配因子,用以衡量医生专长和患者的疾病状态的匹配程度。我们设计了在线医患匹配模型并提出了在线医患匹配算法。本文利用合作医院12位耳鼻喉科医生的专长信息得到了医生数据,并利用预诊问题中患者数据,对在线医患匹配问题进行了仿真实验。实验结果体现了本文提出的医患匹配因子能够克服预诊问题的困难性,提供比预诊结果高10%以上的匹配度。此外,我们还进行了模型参数的敏感度分析,实验结果表明本文提出的在线匹配模型优于其他经典的在线匹配算法,和离线最优解差距在6.5%以下,证明了本文提出的医患匹配算法能够更好的完成医患匹配的任务。最后,我们进行了不同医生专长分布的实验分析,实验结果提示一个更好的医生专长分布能够更好的满足患者的医患匹配需求。