随着人口老龄化和经济水平的快速发展及生活方式的改变,动脉粥样硬化发病率明显上升,为个人、家庭和社会带来沉重的负担。近几年,将机器学习算法应用于医学领域成为一种趋势,但大多数学者更倾向将机器学习算法应用于心血管疾病的预测,很少将机器学习算法应用于动脉粥样硬化的研究。因此,如何更加有效地将机器学习算法应用于动脉粥样硬化的预测是一个值得研究的问题。本文通过特征工程的方法筛选出与动脉粥样硬化相关的医学特征,并以这些特征为基础构建加权集成模型对动脉粥样硬化进行预测,从而能够辅助医生对动脉粥样硬化进行更有效的诊断。为了对个体是否患有动脉粥样硬化进行更加快速有效的判断,本文基于南京中医药大学附属医院的真实数据,结合机器学习算法,改进RF模型,提出一个新的预测模型,提高动脉粥样硬化预测的准确度。首先,本文对动脉粥样硬化的病理特征进行分析与筛选;使用方差分析和相关系数对病理特征进行分析,并初步筛选相关特征,利用随机森林模型进行特征的二次筛选。其次,本文建立加权集成模型,对动脉粥样硬化进行预测;基于bagging的思想对随机森林模型的基模型（决策树模型）进行替换,将其中的决策树模型换成XGboost、RF、ANN、KNN、SVM,根据基模型预测的错误率使用boosting的策略进行加权,建立加权集成模型。最后,本文使用10折交叉验证的方法对分类模型进行训练,并采用网格搜索的方法对模型的参数进行调优。本文选取了南京中医药大学附属医院的321条数据进行分析,发现年龄（Age）、体质指数（BMI）、左劲动脉收缩期结束时的脉搏波传导速度（LCCA-ES）、右劲动脉收缩期结束时的脉搏波传导速度（RCCA-ES）等16个特征对动脉粥样硬化的形成有重要影响。从分类结果来看,XGboost的准确率、灵敏度、特异性和AUC分别为0.85、0.79、0.89、0.84,RF的准确率、灵敏度、特异性和AUC分别为0.86、0.79、0.92、0.85,ANN的准确率、灵敏度、特异性和AUC分别为0.82、0.86、0.78、0.82,KNN的准确率、灵敏度、特异性和AUC分别为0.85、0.86、0.84、0.85,SVM的准确率、灵敏度、特异性和AUC分别为0.85、0.90、0.78、0.84,加权集成模型的准确率、灵敏度、特异性和AUC分别为0.91、0.93、0.89、0.91。整体来看,加权集成模型对动脉粥样硬化的预测能力最好。