朗格汉斯细胞组织细胞增生症（Langerhans’cell histiocytosis,LCH）是一种罕见的组织细胞疾病。在传统的诊断治疗过程中,医生依据患者临床和实验室检查指标对患者进行诊断并制定相应的诊断方案,由于LCH的罕见性,非专科医院对患者的诊断具有偏差,这将错过患者的最佳治疗时期。然而传统的机器学习模型,对于样本数量较少的LCH疾病,模型分类精度不足。因此,通过设计构建LCH疾病的治疗方案分类模型,可以帮助偏远地区医院对患者进行及时治疗,还可以为研究罕见疾病的辅助模型提供参考。针对LCH疾病的治疗方案辅助分类问题,本文分析了LCH患者数据集中存在的问题,并提出解决方案,在此基础上进行了LCH疾病的治疗方案辅助分类模型的构建。本文的主要研究内容如下:（1）提出了一种基于Random Over Sample和Random Forecast的OSRFVS算法,并使用OSRFVS算法筛选特征,最后结合LCH诊断指南完成特征选择工作;（2）为解决样本不平衡问题,提出了基于ADASYN的Blending算法的复合模型——A-Blending模型,并基于此模型构建LCH患者的治疗方案辅助分类模型,有效的解决LCH由于疾病的罕见性而带来的样本分布不平衡问题;（3）结合LCH患者的治疗方案辅助分类模型,设计实现LCH疾病辅助诊断系统。本文得出的主要结论有:（1）使用OSRFVS算法结合LCH诊断指南完成特征选择后,随机森林模型在特征选择后的数据集上的准确率提升10%,召回率提升15%;（2）使用A-Blending模型构建LCH患者的治疗方案辅助分类模型,相较传统的Extra Trees模型,A-Blending模型的准确率提升了30%,召回率提升了57%,精确率提升了42%,F1分数提高了36%。实验结果证明该模型相较于其他机器学习算法,更适合处理样本分布不平衡,数据量少,泛化性能要求高的LCH患者的治疗方案辅助分类场景。