随着人工智能(Artificial intelligence,AI)的发展,其技术已经开始在各行各业应用。在医疗领域,人工智能可以处理分析大量医疗健康数据,通过认知分析获得见解,并为政府,医疗机构,制药企业和患者提供服务,可以实现个性化,通过可以循证的智慧医疗,促进创新和实现价值。而在医疗疾病方面,心血管病、糖尿病等慢性疾病,每年导致死亡的人数比例远高于其他类型疾病。血糖浓度的异常会导致一系列疾病,最具代表的糖尿病即是比较复杂的慢性病,同时也会导致一系列并发症,其根治也比较困难。因此预防此类疾病尤为重要,本文旨在通过使用人工智能技术通过分析和挖掘相关的生理指标情况来预测血糖浓度,建立一个血糖浓度异常预警模型,旨在通过对血糖浓度的推测,提醒被测人关注自身血糖问题和辅助医务人员提出防治方案。基于以上目的,本文利用人工智能领域下的机器学习技术,建立了一个血糖浓度推测模型。首先本文对血糖相关研究进行了调研,提出了可能与血糖浓度存在联系的相关生理指标,包含血液常规指标,生化等指标。根据上述指标,本文收集了7642条样本,并对提取的样本的特征做了特征分析、筛选等工作,并为了扩大特征空间,提高模型的容量,构造了新的特征。经过一系列的特征工程工作确定了模型的输入。对于模型的算法选择,本文主要选取了集成学习回归算法,为了便于比较,也选取了线性回归算法。本文为了对单算法模型进行优化和提高,根据集成学习和交叉验证的思想,提出了两种融合方式,平均融合模型和Cross Stacking融合模型。通过实验验证了本文提出的融合模型的有效性,另外也通过实验验证了本文在特征工程提出的新特征的有效性,最后建立了一个融合模型的血糖浓度推测模型。综上本文主要在特征工程方面做了大量工作,根据原有数据构造了新特征作为模型的输入,同时,为了优化模型,提出了两种模型的融合方式,最后建立了血糖浓度测模型。在模型的提出中,特征的构造和融合模型的方式具有一定的创新性,建立的模型也能基本达到血糖异常预警的目的。但本文模型在参数的调优方面工作量相对较少,后期可以在调参上继续优化模型。