肺部疾病是世界范围内的主要死亡原因之一。对于大多数肺部疾病,早期的筛查和诊断对病情的控制和治疗具有重要作用。目前临床上对肺部疾病的诊断主要依靠胸部X射线和CT图像等手段,然而对于医疗资源较为稀缺的地区,影像检查存在检测难、费用高、成像质量低等问题。此外,很多肺部疾病早期在影像上并无明显表现,这些都可能造成病情的延误。针对上述问题,提出使用血常规等临床检验指标对肺部疾病进行诊断研究。临床检验指标相较于影像检查普及程度更高,并且在肺部疾病早期具有更明显的表征。目前临床检验指标已被应用于卵巢癌等疾病的诊断研究,然而其在肺部疾病诊断研究中的价值并未被充分利用。此外,针对当前仅对一种肺部疾病进行研究的局限性,提出对肺癌、肺炎、肺结核这三种高发且危害较大的肺部疾病进行诊断研究,将二分类问题扩展为多分类,增强了后续进一步增加样本类别进行扩展研究的可行性。研究数据共包含7141个患者样本和268项检查指标。对数据集中存在的数据不准确、不一致等问题,采用数据清洗和数据转换等预处理技术进行了优化。使用K近邻算法、支持向量机、多层感知机,随机森林和梯度提升决策树五种机器学习算法构建诊断模型,并分别设计了两种组合和级联方法对模型进行融合。除原始数据集外,还在通过多种特征选择技术建立的包含不同特征的数据集上对模型进行了训练与测试。使用准确率、召回率、F1分数、受试者曲线下面积等多种指标对模型进行评估。实验证明,数据预处理及模型融合能够进一步提高模型的分类能力。特征选择在保证分类效果的同时大大缩减了模型的训练时间及复杂度。基于建立的分类模型,设计并开发了一套能够利用临床中的常规检验数据对常见肺部疾病进行诊断的系统。系统能够对输入的原始数据进行预处理,以满足模型的输入要求。同时支持融合多个分类模型以达到最优的分类效果。测试结果表明系统准确率能够达到93.67%,具有一定的应用价值。