近年来,随着机器学习、深度学习和数据挖掘等技术的不断发展,如何快速准确地挖掘医疗数据中蕴含的知识规律己成为研究热点。我国的医疗行业正从传统医疗向智能医疗发生转变,当前,医生主要是根据自身的经验,结合临床检验数据,对病患者的疾病做出主观诊断,这种诊断结果很大程度上取决于医生自身的经验,具有一定的误诊风险。目前,世界各地每年大概有320万新生儿死亡,在胎儿高死亡率的背景下,本文针对产妇妊娠数据,在集成学习的基础上,开展分类算法及其应用研究,主要的研究工作如下:1.数据预处理。对数据做规范处理,并建立产妇妊娠标准化数据集。医院的数据来源于多个科室,且初始数据中存在多种脏乱数据。同时,产妇妊娠数据具有很强的专业性。因此,需要针对此类数据的特点,提出特定的数据预处理框架,结合用产妇妊娠专业术语表,对该类数据进行异常值、缺失值、重复值、数据转换和数值化处理等处理,以使得数据能够适用于分类算法的计算。2.数据特征选择。针对产妇妊娠数据中的大量冗杂及维度灾难等问题,提出基于主成分分析的序列浮动前项选择(PCA-SFFS)算法。该算法利用主成分分析的降维思想,使得各个特征之间的距离缩小,再利用序列浮动前项选择对所有特征进行筛选,从而得出最相关的特征集。通过产妇妊娠数据实验,结果表明相比其它几类经典算法,PCA-SFFS特征选择算法具有更高的准确性。3.分类算法改进及应用。针对单一分类器的局限性和当前集成学习算法大多基于同质分类器的不足,本文在原有的Stacking算法的基础上,提出基于差异性度量的集成学习算法(ELDM),该算法是利用特征组合、设置不同参数的分类器以及引入Kohavi-Wolpert Variance差异性度量指标,选择差异性最大的异质分类器组合,从而提高集成学习的准确性和泛化性能。为验证改进的分类算法相关指标,利用UCI医疗数据集,将本文提出的改进分类算法同与去掉第一层、第二层的集成学习算法以及其他经典的算法进行了大量的实验,实验结果表明,本文提出的算法具有更高的准确率。最后,在改进的集成学习算法基础上,构建了胎儿出生结局分类模型,模型计算结果有利于帮助医疗人员做出决策,提供合理建议。