精神分裂症是一种复杂的多因素疾病,对社会和家庭都造成一定的影响。基于单核苷酸多态性（Single Nucleotide Polymorphism,SNP）的研究是生物医学领域研究的重要课题。随着数据挖掘技术的发展,很多研究者利用机器学习方法对SNP位点进行特征选择并构建精神分裂症诊断模型。本论文以精神分裂症中的SNP位点为目标进行研究。首先基于改进的KCenter算法和改进的粒子群算法对SNP数据进行特征选择,然后建立基于Adaboost算法精神分裂症诊断模型。具体工作如下:（1）针对SNP位点之间的连锁不平衡性等问题,提出新算法—K-MSU对SNP数据进行聚类。K-MSU在K-Center算法中引入对称不确定性的概念并定义新的距离度量公式,进而有效解决原距离度量公式不能挖掘SNP位点之间相关性的问题。针对K-Center算法中随机选择初始聚类中心的问题,将信息增益引入到密度函数中,去衡量每个信息SNP位点的贡献程度,有选择性地挑选聚类中心。经实验证明,K-MSU算法与其他方法相比,具有更好的聚类效果和预测准确度,其分类准确率在数据集Dataset1和Dataset2平均提升1.43%和2.38%。（2）粒子群算法在特征选择过程中会使粒子在寻优时陷入局部最优,导致全局搜索效果不好。针对以上问题,本文提出新的适应度计算方法和惯性权重更新方法。首先将信息SNP子集对非信息SNP重构的准确度引入到粒子群算法的适应度函数中,搜索当前区域内最优的SNP特征。然后将信息SNP子集的冗余度引入到惯性权重中,动态调整惯性权重增强全局搜索能力。通过实验发现改进的粒子群算法与其他特征选择方法相比,在非信息SNP的重构度方面具有更好的效果,其分类准确率在数据集Dataset1和Dataset2平均提升5.33%和5.03%。（3）在医学诊断中,将患者诊断成健康人与将健康人诊断成患者的误分类代价是不同的,所产生的影响也不同。因此,提出基于代价敏感的Adaboost算法,使用熵值计算误分类代价权重,并将其引入到Adaboost算法样本权重更新中,调节各个基分类器权重,集成最终的分类器进行精神分裂症患者诊断。经实验发现,虽然精神分裂症诊断模型的准确率没有明显的优势,但数据集Dataset1和Dataset2误分类代价的错误率明显下降,分别下降了5.36%和4.72%,证明该模型更加适应于精神分裂症诊断。