健康医疗大数据通过数据挖掘、数据可视化等技术被广泛地应用于诸多领域。当下,糖尿病不容忽视。本文以糖尿病临床结构化数据为研究对象,具体工作围绕以下两个医疗场景展开。第一,针对糖尿病视网膜病变预测任务,研究数据挖掘中的特征选择和模型融合新方法,第二,针对高维糖尿病数据分析任务,设计可视化方案进一步发挥数据价值。本文的研究工作概括如下:1.在糖尿病视网膜病变预测任务中,针对高维小样本糖尿病数据的特征冗余问题,提出了一种特征选择方法,即基于XGBoost改进的后向搜索（Improved Backward Search Based on XGBoost,XGBIBS）。为了利用多个弱特征的联合作用并提供更丰富的特征组合,此方法在序列后向搜索中增加缓存子集,并用多种XGBoost特征重要性度量构建序列。多种分类器经过XGBIBS特征选择后,其分类精度的提升幅度约3%到8%之间,特征维度缩减率约38%到65%之间。在大多数分类器上,XGBIBS效果优于XGBSFS、SVM-RFE和GA特征选择算法。2.在糖尿病视网膜病变预测任务中,为进一步改善模型性能,提出了一种基于基学习器选择的 Stacking 模型融合方法（Select-Stacking,Sel-Stacking）。Sel-Stacking为平衡基学习器的准确性和多样性,基于Pearson相关系数确定基学习器组合,并保留基学习器的Label-Proba输入至次级学习器。此模型比多种单一分类器的准确率提升幅度约1%到10%之间,Sel-Stackin能提升模型预测效果。3.面向高维糖尿病数据分析场景,为解决当前数据分析工具医学适配性差、技术门槛高等问题,构建了交互式糖尿病患者临床数据可视化方案DPVis（Diabetic Patients Data Visualization,DPVis）。方案从四个方向分析高维糖尿病数据,融入数据挖掘成果并设计多种可视化编码和交互。多种案例证明了本方案能满足四个可视化任务,帮助医生高效地解读数据和分析患者状况。