随着5G、云计算、大数据等新一代信息技术的蓬勃发展,全球数据信息量呈现爆炸式增长。硬盘作为一种主流的数据存储设备,其可靠性问题成为当前存储领域的研究热点之一。目前,学术界研究了基于硬盘状况数据的统计学习方法和机器学习方法来预测硬盘故障,并取得了一定的成果。但由于受到数据集属性选择、量纲不统一、正负样本不平衡等因素的制约,预测效果并不理想,难以应用于实际场景。此外,现有工作主要是对硬盘故障进行预测,难以准确反映出硬盘的健康状况。针对上述问题,首先对硬盘状况数据集进行分析,对硬盘剩余使用寿命进行标定,用于后续的硬盘寿命预测;结合阈值法与相关系数法进行属性筛选,保证模型预测性能的同时降低模型的复杂度;对数据进行了样条插值以及标准化处理,以提高模型的预测性能;通过结合随机欠采样与改进过采样的方法对数据进行平衡化处理,以提高预测模型的召回率。在此基础上,提出了基于集成学习算法的硬盘故障预测模型与硬盘寿命预测模型。在公开数据集Backblaze上的实验结果表明,故障预测模型在准确率和召回率上平均结果分别为97.93%和95.99%,相比最优基准模型平均提高了0.78%和2.84%;寿命预测模型在平均绝对误差、均方根误差和决定系数上平均结果分别为0.386,0.913和0.9914,相比最优基准模型平均提高了0.018,0.301和0.0011。综合硬盘故障预测和寿命预测设计了一种硬盘健康状况评估方法,用于反映硬盘故障前状况的变化。实现了硬盘健康状况评估系统,该系统具有自动化数据采集及存储、硬盘故障预测及寿命预测等功能。对系统进行了实验测试,测试结果表明系统能在3s内完成上万块硬盘的健康状况评估,可以满足实际需求。