糖尿病是一种由自身缺陷引起的常见的慢性疾病，如果患者没有得到及时的治疗，会引发多种并发症。目前，我国糖尿病防治呈现出“三低”态势，即低知情率、低治疗率和低治愈率。对糖尿病及其相关内容进行深入的研究，有助于提高知情率、治疗率，也有助于相关药物的研发。
　　随着机器学习的不断完善，智慧医疗已经成为一个研究热点。本文主要对体检数据以及糖尿病蛋白标志物进行研究：在本文的第三章中，使用机器学习对两组体检数据进行学习，并对重要特征进行选择，致力于构建一个高效的糖尿病诊断模型；在本文的第四章中，使用集成方法对糖尿病蛋白标志物进行研究，包括集成的特征提取方法和集成的分类器方法。本文的主要工作及创新点如下。
　　(1)建立基于体检数据的糖尿病预测模型。第三章主要对泸州市体检数据集和比马印第安人数据集进行研究，使用随机森林、神经网络以及决策树建立预测模型，并根据主成分分析、最大相关最小冗余方法对特征进行选择。在第三章中，根据重要的诊断指标和随机森林进行建模，可以得到一个高效的糖尿病预测模型，该模型正确率较高且运行时间较短，具有较高的推广价值。
　　(2)建立糖尿病蛋白标志物识别模型。本文第四章侧重于对蛋白质进行研究，本章使用集成方法研究蛋白质分类问题，并最终取得了较好的效果。对糖尿病蛋白标志物进行全面研究，有利于深入了解糖尿病、有利于研发治疗药物。在第四章中，使用了三种基于氨基酸的特征提取方法和六种传统分类器，通过集成处理后，可以得到四种集成的特征提取方法和两个集成分类器。根据实验结果可知，集成方法的性能优于单一方法。