癌症、心脏病、糖尿病等重大突发疾病的早期发现和确诊是疾病成功治疗的关键。目前，对这些疾病的诊断主要依靠医生的临床经验。而我国的医疗资源相对不足，不同地区、医疗机构间的诊断水平差异较大，因此导致患者无法得到及时的治疗，医疗质量难以得到有效保证。本文将人工智能中较为成熟的技术——案例推理和贝叶斯网络引入医疗诊断中，通过分析过往临床数据，将医生诊断经验形式化、客观化，以提高诊断的准确率。贝叶斯网络和案例推理具有其各自的优缺点，能将二者进行有效融合并应用于医疗诊断的模型还非常少。本文在分析了贝叶斯网络和案例推理的多种混合模型架构后，结合医疗诊断的特点，提出了一种BCBR模型。该模型以案例推理作为基本推理架构，将贝叶斯网络作为一种数据挖掘工具来获取诊断属性间的关联知识，并利用其特点简化案例检索过程。首先，通过计算信息增益比率，从大量诊断属性中筛选最优属性子集，并对各属性分配权重。其次，将数据分为各个子集，对每个子集分别建立贝叶斯网络。对子集中的数据进行聚类，缩减检索空间，然后以框架的方法进行案例表示，从而得到了初始的案例库。再次，将案例检索分为初始匹配和二次检索两个过程，首先筛选出较匹配的一系列案例，再利用距离的方法计算相似度，从而得到最匹配的案例。最后，使用最匹配案例的贝叶斯网络对待诊断病例进行判断。本文将BCBR模型应用于乳腺癌诊断问题，使用美国UCI数据库中的Wisconsin乳腺癌数据集进行模型的训练和测试，并将结果与朴素贝叶斯分类器、案例推理分类器等进行了性能对比。结果表明BCBR模型对乳腺癌的诊断整体准确率、灵敏度和特异性均有较好的表现，证明了其应用于医疗诊断时的有效性。