随着大数据时代的发展,各行各业都呈现出了数字化、信息化的趋势。由于医疗与民生的高度相关性,所以医疗大数据的发展也越发引人关注。然而医疗数据以其多种难以解决的特性往往会对信息化发展产生制约,这些特性包括不完整性、隐私性、多态性等。并且由于医疗数据是在实际的临床工作中获得的,病人往往会在得病之后才去就医,所以医院得到的各种病症的数据比例必然与对应病症的发病率相关,这会导致医疗数据出现不平衡的情况,从而大大影响医疗大数据中的病情诊断与分析。哪怕是对于中医来说,这种影响仍旧存在。虽然传统中医只讲究望闻问切,但现代中医早已引入了先进的医疗设备作为病情判断的辅助手段。然而,如何将这些医疗数据与中医独有的病症进行匹配,并得出一种快速、准确的诊断方法成为了新时代下制约中医发展的一大难题。为了通过医疗数据更加准确地判断中医症状,本文进行了一项对于中医红外图像体质分类的研究。首先基于一种复杂网络的数据处理方法对中医数据集进行了多层次处理,然后设计了一种注意力模块的改进的部署方法,并且研究了多种其它改进方法的有效性,最后在模型中加入了样本的额外特征参与训练。本文的主要研究工作如下:（1）本文通过中医红外图像和基于复杂网络的图像处理方法,计算得到了不同阈值下的度矩阵,研究得出了不同阈值下度矩阵灰度图的差距及其原因,并由此得出两个新的图像数据集来描述原始图像的纹理;设计了适用于新数据集的模型结构,得到了预测效果更好的数据集。该数据集相较于原始数据集在多种神经网络上取得了更好的结果。（2）本文在神经网络中加入不同类型的注意力机制并设计了一种注意力模块的改进部署方法,该方法适用于多种子模型且大多数子模型的实验结果均有提升。（3）本文研究了数据集按性别划分的有效性,在模型处理的特征向量中加入病人的年龄与性别特征,研究了这两个特征在模型最后获得的特征向量中的比重的较优的值,使用较优的比重使得模型的准确率得到了提升。