现有的医学技术对于一些特殊疾病比如帕金森的诊断还不是十分准确。尝试找到一种新的行之有效的辅助医疗诊断的方法应用于具体医学病例,确保现有诊断的准确性,进而推广这种思想到一般的病例是本论文的出发点。将机器学习方法、模糊积分以及具体的医学病例相结合是本文总的指导思想。本文运用模糊积分的思想构建了一个具体的医疗诊断的模型,当医生大致判断就诊者可能患某种疾病时,只需要测量就诊者的几个医学指标,输入系统,便可得出就诊者患有这种疾病的概率,进而辅助医生进行诊断。此诊断模型运用模糊积分的思想,将模糊的诊断,使用清晰化的数字准确的表示出就诊者患有某种疾病的概率。模糊积分思想的关键是如何确定模糊测度与隶属函数。本文的主要工作有四点：(1)提出了将模拟退火算法应用于多分类融合中单个分类器自身模糊测度的确定。同时将模糊积分做为融合算子与贝叶斯分类器做为融合算子在具体的医学病例中进行了对比。(2)提出了使用神经网络和模拟退火组合算法确定病症的关键指标的模糊测度,进而使用模糊积分思想进行医学诊断。(3)针对有的病症属性维数太多,而模糊积分中测度的个数的增长是以指数方式的,为了简化计算,将高维数据映射到低维空间,提出了使用主成分分析的方法确定模糊测度。(4)在使用神经网络和模拟退火组合算法和主成分分析的方法确定模糊测度时,对决定病症的属性的符合度(即隶属函数)的确定是另一个难点,本文尝试使用数学公式的方法去确定符合度。最后本文将理论和具体的医学病例妊娠期糖尿病和帕金森症相结合,验证了三种方法确定模糊测度的可行性,并且表明了模糊积分及模糊积分做为多分类器的融合算子在医学诊断中的应用价值。