慢性病已逐渐成为了危害人类健康的第一杀手,体检是提早发现慢性病从而对其进行有效干预的高效途径,因此对慢性病前期人群做出预测并优化其体检计划重要且必要。本文从一种典型的慢性病——糖尿病出发,分别建立了糖尿病患病诊断模型以及空腹血糖值预测模型,并结合上述两种模型的输出结果建立了基于马尔科夫决策过程的慢性病体检计划优化模型。对于糖尿病患病诊断模型,本文根据模型以及输入数据的特点对求解算法进行优化,提出改进的随机森林算法——Re-RF算法,并带入到UCI数据集中进行对比实验。实验证明,本文提出的Re-RF算法能够对实际体检数据进行有效的诊断分析,相较于传统随机森林算法,Re-RF算法提高了2%的精度,同时缩短了87%的运行时间,对糖尿病的临床诊断提供可靠的决策依据。对于空腹血糖值预测模型,本文提出PCA-Xgbin算法,并带入到中国某体检中心2017年的体检数据集中进行对比实验。实验证明,本文提出的算法能够对实际体检数据进行快速有效的预测分析,相较于传统极端梯度提升树算法,PCA-Xgbin算法降低了12.8%的预测误差,同时缩短了60%的运行时间,对空腹血糖值的预测提供快速的分析手段。最后,本文结合上述两种模型的输出结果建立了基于马尔科夫决策过程的慢性病体检计划优化模型,模型考虑了体检信息增益、被体检者的年龄以及身体健康细化状态,并采用动态规划算法对其进行求解。将求解结果与多种传统体检策略进行对比分析后发现,本文提出的优化模型可根据被体检者的当前年龄以及健康状态对下次体检时间进行动态确定,最大化了体检的综合收益,对慢性病的体检策略提供优化参考。