哮喘病作为一种常见的呼吸系统疾病,由于其难以根治、诊断方式少、误诊率高和病患基数大的特性,对医疗系统造成了严重的负担,如何有效的去预测哮喘病防止其恶化,成为了整个医学领域的研究重点。血常规数据检测是一种价格低廉的基础检查,伴随着大数据技术在医疗领域的展开,如何利用机器学习技术挖掘血常规数据中的信息并建立哮喘病诊断模型成为了研究重点。为了建立高效精确的哮喘病诊断模型,本文将从以下三个环节对哮喘病诊断精度进行优化提升:数据集缺失值补全、数据集特征选择和优化诊断模型。本文主要工作如下:（1）针对血常规数据集中包含缺失数据使得可用于模型训练的样本量变少,从而影响诊断精度的问题,提出一种改进的随机森林算法（Random Forest-Iterative update matrix,RF-I）。该方法利用Pearson相关系数构建特征方程形成预填充矩阵来改变预填充信息,设计局部数据循环更新机制进行逐列填充,实现预填充矩阵的实时更新。实验结果表明,新提出的方法相比于其他方法具有更好的填充效果,同时填补后的哮喘病数据集在支持向量机和决策树等多个分类模型上相较于其他填充方法都有很大的提升,在哮喘病的诊断精度上有效的提升了1.34%～3.27%。（2）针对现有特征搜索方法无法解决血常规数据集中包含冗余特征和搜索过程中误删特征的问题,提出一种序列对向选择特征搜索方法（Sequential Opposite Selection,SOS）。该方法在特征剔除过程中引入同步因子进行同步性判断,防止特征误删操作;在生成特征子集时利用冗余性判断及时剔除冗余特征,并对满足条件的特征进行召回从而得到最优特征子集。实验结果表明,序列对向选择搜索方法选取的特征子集相比于传统搜索方法得到的子集能更有效的提升哮喘病诊断精度,在多种分类模型上准确率、精确率和召回率得到了平均0.36%～1.35%的提升。（3）针对现有基于图注意力网络的哮喘病诊断模型中阈值选取的波动性导致样本分类不精确的问题,提出一种融合辅助信息的图注意力网络模型。该方法首先利用过滤机制对分类不精确样本进行过滤,再利用融合辅助信息的模型进行二次训练,最终对两次训练结果进行判别输出。实验结果表明,与传统的分类模型相比,融合辅助信息的图注意力网络模型在哮喘病诊断分类任务中表现更优异,其中哮喘病诊断的准确率、精确率和召回率均有效提高0.38%～1.19%。