由于Ⅱ型糖尿病患者的高度异质性,以及目前临床对糖尿病的诊断和治疗具有个性化的需求,如何才能更好准确的划分Ⅱ型糖尿病患者,成为了医学研究领域的一个热点问题之一。而目前的传统基于临床的划分方法,仅仅是重视了患者的临床表现,忽视了患者个体化差异所直接导致的临床体征表达的区别,并不能很好的区分患者,给患者的生命健康带来严重危害。随着大数据信息技术和人工智能医疗信息技术的发展,医学已逐步进入人工智能医疗信息时代,从大量的数据中快速发现有价值的相关医学技术信息已经是目前机器人工学习和大数据人工智能等医学方法研究和应用的一个热点研究领域。本文针对Ⅱ型糖尿病的亚型划分的实际需求,考虑临床的要求,将聚类分析的概念和方法充分引入到糖尿病治疗领域,设计了基于CGM的多层次聚类方法和基于多源异构数据的划分方法,最终给出具有显著临床意义的T2D亚型。主要内容阐述如下:针对以往糖尿病领域数据聚类中输入矩阵获取难度大、时效性低、知识含量低等问题。首次将连续血糖监测数据（CGM）应用于Ⅱ型糖尿病亚型划分研究中,提出了一种基于CGM数据的多层次糖尿病亚型划分方法。作为Ⅱ型糖尿病患者的新兴治疗方案之一,CGM血糖数据相比较基因序列和传统生化检测数据更加简便易得,数据信息知识含量更高。实验结果证实了 CGM对Ⅱ型糖尿病能够快速有效的亚型划分,同时表明了在T2D领域开发个性化医疗和智慧医疗的实用性和可瞻性。针对在糖尿病亚型划分聚类方法中,易忽略临床领域知识、模型可解释性差等问题。在特征提取层中,融合统计与知识特征,并进行特征聚类,构建了糖尿病领域知识与数据驱动相融合的可解性强的聚类分析模型。实验结果得出的四种新T2D亚型经过临床定义后具有更高的模型可解释性和指导临床方案选择的意义。针对高维血糖数据带来的稀疏性和维度灾难等问题。本文首先进行多角度特征提取解决高维血糖数据的稀疏性问题,达到初步降维的目的。其次利用滤波和层次聚类方法剔除无效和冗余特征解决高维血糖数据的维度灾难问题。实验结果可将288维血糖数据有效降低到3维,并且三种新型血糖评价因子能够从基础水平、波动情况和血糖控制三个角度定义血糖时间序列。针对融入糖尿病患者基本信息后的多源异构数据的结构复杂性和混合差异性问题。首次将CGM数据和T2D患者基本信息通过提取特征进行数据融合,构建针对Ⅱ型糖尿病患者多源异构数据的数据差异性度量方法和基于信息熵的特征权重度量方法。实验结果充分证明了该聚类算法能够对T2D患者进行精准亚型划分,解决在糖尿病领域中多源异构数据带来的结构复杂性问题和混合差异性问题,得出了具有高度前瞻性和临床意义的Ⅱ型糖尿病精准亚型。