慢性疾病在我国国民所患疾病的所有种类中一直排在首位,而高血压、高血脂及其并发症心脑血管疾病都是慢性疾病的重要组成部分,所以基于数据挖掘对双高疾病患病风险进行预测非常具有现实意义。本研究中,通过对体检中心提供的个人体检数据分析处理,建立数学模型预测双高疾病五项指标的具体数值,在建模过程中观察预测指标与体检项目之间的联系,进而实现双高疾病的预防干预以及尽早发现,减少双高疾病对人体的危害。研究中,将原始数据分为数值型数据和文本型数据分别进行了特征处理。针对数值型数据维度高的特点,对SVM-RFE算法进行了优化,得到DW-RFE特征选择算法,实现了数值型数据的降维。并从样本数量、特征维度两方面设计对比实验,验证了DW-RFE特征选择算法的有效性。针对文本型数据的特征处理,将Word2Vec算法优化后得到WV-CNN特征提取算法,算法中先将文本特征向量化,再将向量化后的特征投入卷积神经网络之中进行特征提取。为了验证WV-CNN特征提取算法的有效性,从样本数量方面设计了对比实验并分析结果。最后,经DW-RFE算法降维后的数值型数据和WV-CNN算法处理后的文本型数据作为双高疾病预测模型的输入,使用岭回归算法、支持向量机算法和集成学习分别建立了不同的预测模型。在各模型中,集成学习中的XGBoost预测算法所建预测模型的均方误差MSE最小,预测效果最好。根据XGBoost预测算法建立的双高疾病预测最佳模型,对影响双高的特征进行了排序。