哮喘是一种慢性气道疾病,其特点是由气道变窄、气道壁腔室增厚和粘液增多引起的气流受限。目前医学领域虽有针对哮喘病的检测技术,如血气分析、肺功能试验等,但这些检测大多费时费力且存在漏诊、误诊等问题。随着人工智能的迅速发展,将信息技术应用到哮喘病的检测与治疗正逐渐成为一种趋势。本文利用哮喘检测常用的血常规作为输入数据,尝试构建一种基于改进模糊支持向量机的哮喘病诊断模型,提高哮喘诊断的准确率。首先提出一种基于信息论的特征选择方法,从血常规指标中筛选出与哮喘最具相关性的特征子集;随后提出一种基于改进模糊支持向量机的哮喘病诊断模型,实现对哮喘病的诊断;最后设计并开发一套辅助医生进行哮喘诊断决策的智能诊断系统,方便医生对哮喘患者的诊断与记录。主要工作如下:（1）针对现有特征选择算法DCSF（Dynamic Change of Selected Feature）无法有效消除条件相关项对高冗余特征的偏向性这一问题,提出一种基于最小冗余的动态加权特征选择算法MR-DCSF（Minimal Redundancy-Dynamic Change of Selected Feature）。在已选特征不变的条件下,已选子集条件相关性与候选特征和已选子集间的冗余信息成反比。利用这一特性,将对最小化冗余的求解问题转换为对条件相关项的权重分配问题。MR-DCSF算法提出两个基于信息熵与条件相关性的动态权重,通过提高已选特征条件相关性在评价函数中占比的方式,间接降低子集内冗余信息,改善原条件相关项对高冗余特征的偏向性。实验结果表明,MR-DCSF算法的准确率和F1值较对比的四种算法均有所上升,证明MR-DCSF算法能较为合理的筛选出特征子集。（2）针对基于类中心距离度量的模糊支持向量机会误选噪声点到类中心的距离为最大距离进而影响隶属度的精度,以及该类模糊支持向量机无法给予支持向量较高隶属度等问题,提出一种基于类中心超平面距离度量与样本邻域密度的模糊支持向量机DAD-FSVM（Distance And Density-Fuzzy Support Vector Machine）。首先利用过两类类中心的超平面将样本空间划分为三个区域,对于不包含支持向量的两部分区域,赋予其内所有样本常数隶属度值。对于中间区域的样本,根据血常规内的噪声点离异类超平面的距离通常小于其与本类超平面距离这一特性,设计基于样本到两类超平面距离之差的隶属度函数,以此区分噪声点和正常样本。接着利用支持向量附近同类样本密度较小这一特点,在上述隶属度函数中引入邻域密度指标,以降低非支持向量的隶属度,同时提高最佳分类超平面附近样本的隶属度,以此区分开非支持向量与支持向量。实验结果表明,DADFSVM较对比的4种算法能有效降低噪声点的干扰,拥有较好的分类效果。（3）在上述研究的基础上,设计并开发一套哮喘病智能诊断系统,该系统以人体血常规数据作为输入,实现对哮喘病的智能诊断。该系统可为医生对哮喘病的诊断决策提供参考意见。