随着国家经济突飞猛进和国民经济水平迅猛提高,人民的生活水平和物质水平突飞猛进,科技给我们带来的便利让大家足不出户的享受各种美食,大量轻量级劳动由机器代替。大多数人在享受着高质量的生活的却忽略了健康生活。不健康饮食、缺乏运动、不规律的作息等不良的生活习惯诱导着众多疾病的发作。根据国际糖尿病联盟（IDF）第10版公开报告显示,人类患有糖尿病的数量在不断的提升,2021年全球范围内有糖尿病患者5.37亿,因糖尿病及并发症而去世的成年人数已经达到了670余万。我国患有糖尿病人数已经达到了1.49亿,这是一个非常触目惊心的数字。但是糖尿病的诊断是一个复杂的过程,医生需要根据经验结合多项指标进行诊断。在没有发现糖尿病之前身体长时间处于高血糖的状态,损害患者的器官和血管,引起多种并发症。如果能够尽早地确诊并针对糖尿病进行治疗和控制,那么糖尿病的并发症也会得到很好的控制和预防,极大的缓解疾病对病人和家庭带来的危害。近年来随着计算机硬件技术突飞猛进,数字医疗和智慧医疗得到了广泛的应用和发展。众多研究人员将机器学习和深度学习算法应用在生物医疗领域,糖尿病的预测诊断问题也获得了非常多的关注。在糖尿病的预测上主要的方法可以主要分为3类,（1）优化算法结合分类算法,（2）使用集成算法,（3）使用人工神经网络。这些方法提升模型性能主要是通过尝试新的学习器,或者选择更合适的算法,组合形成更好的集成模型。这种解决方式在一定程度上是可行的,但是他们忽略了数据才是决定模型最终性能好坏的关键,算法只能是通过不断地调优参数尽可能的拟合数据和标签之间的关系,更好的数据将得到更好的算法表现。因此本文研究的重点是通过分析数据和算法,从数据的角度思考发现数据本身缺点即:在样本空间中的分布的混乱交杂难以找到决策边界划分不同的样本。为了解决这个问题引入Cover定理:将复杂模式分类问题非线性的投射到高维空间将比低维空间更容易划分。本文使用人工神经网络将数据重新投射到高维的空间中。在升维过程中使用损失函数控制样本点投射的位置,使升维后的数据更容易的找到决策边界。使用升维后的数据训练算法模型,组合成一个高精度的stacking集成模型,采用stacking集成方法可以降低泛化误差增加模型的稳定性。最后使用了使用精度、查准率、召回率、ROC曲线、AUC值多个指标衡量验证本文的模型。实验结果证明本文的模型在精度上明显好于近年来在相同数据集上提出的算法精度。在查准率、召回率、AUC值上升维后的数据表现明显好于升维前的表现。