现代科学技术的进步和发展加快了医学信息的数字化进程,医疗系统逐渐健全和完备,数据挖掘技术被广泛应用到医疗领域。中医作为中华医学的瑰宝,经过数千年的医疗实践,逐步形成并发展成为具有独特医学理论体系、丰富治疗经验的完整医学,但作为经验医学,中医诊断很难形成特定的诊断标准,诊断过程中对诊断经验要求较高,不利于应用推广。因此,以中医临床数据为基础,综合运用多种数据挖掘方法开展中医辅助诊断的基础理论研究具有重要的学术意义和应用价值。本文基于上述问题,对数据挖掘技术在中医辅助诊断中的应用进行研究,对相关数据挖掘算法的理论和应用进行了分析,重点研究了神经网络的基本理论、数学建模、算法流程和模型优化,基于四种不同的神经网络对样本集进行预测仿真,分析了不同网络的优缺点,针对混合预测时准确率不高的问题,给出了一种基于改进DS证据理论的优化方法;同时对中医病例中的治疗方案进行了关联分析,通过对比经典Apriori关联算法和FP-growth关联算法的运行速度和关联结果,探究两种关联算法在应用过程中的优缺点,选择性能较优的关联算法在系统中进行实现;这两部分工作为智能中医辅助诊疗系统的算法设计奠定了理论基础。最后,采用基于改进DS证据理论优化的神经网络预测模型作为中医病名预测的主要方法,采用FP-growth关联算法作为处方用药规律挖掘的主要方法,设计出基于Django框架的智能中医辅助诊断系统,具体实现了疾病预测、治疗方案推荐等辅助诊断功能和病人信息、医师信息、诊断记录的基础数据管理功能。