健康是人类全面发展的基础,近年来,各种疾病的发病率都呈现增长趋势,尤其是在医疗不发达的地区,这无疑给医生增添了工作难度。基于机器学习的疾病诊断研究对提高疾病诊断的准确性和实时性,辅助医生完成疾病诊断具有重要的意义。机器学习算法对医疗机构产生的数据进行学习后得到疾病诊断模型,可以对未知的数据样本进行预测。然而传统的单分类器诊断模型很难取得优异的泛化能力,因此在机器学习算法应用中,还需要考虑各种技术的集成和优化。论文在研究基于传统机器学习的疾病诊断模型的基础上,重点研究了多分类器集成诊断模型和多分类器选择性集成诊断模型,研究的主要包括:1、提出了一种Bagging-Adaboost-SVM的多分类器集成诊断模型。首先,融合Bagging、Adaboost和SVM三种算法的二分类方法,利用Bagging算法的思想,每次只从疾病样本中抽取一小部分数据作为训练集;其次每个子训练集采用去噪算法,发现噪声数据并且根据它所在的类别的统计数据去修改它的类标签;接着,将Adaboost-SVM对每个子训练集进行训练并且筛选弱分类器的个数（根据弱分类器的准确率来确定）;最后,整合弱分类器得到每个子数据集的最终分类模型作为Bagging的基分类器。实验结果表明,该模型在糖尿病数据集上准确率达到了92.36%,比应用在糖尿病诊断效果好的深度神经网络（DNN）算法提高了3.16%,验证了该模型更适合糖尿病诊断。2、提出了BDA-GA多分类器选择性集成诊断模型。首先,采用有放回重采样技术从原数据集选取训练样本,通过分类算法和训练集生成若干基分类器;其次,利用加权的方法来平衡分类器之间的多样性和分类器的准确率,即BDA;然后,基于验证集与基分类器进行训练并计算BDA的值,用选取算法（GA）以BDA的评价准则搜索最优的基分类器子集,最后,将得到的优质子集用投票法将诊断结果进行整合得到最终结果。实验结果表明,该模型在高血压数据集上准确率达到了93.83%,比适合高血压诊断的人工神经网络（ANN）算法提高了4.27%。