严重危害人类生命健康的疾病之一就包括有糖尿病,共有四种类型:Ⅰ型糖尿病、Ⅱ型糖尿病、特异型糖尿病和妊娠糖尿病。医生根据患者的临床表现以及医学检测结果来判断。而Ⅰ型与Ⅱ型糖尿病在临床表现上有一些相似症状难以判断,不同医生可能判定结果不同。论文针对Ⅰ型与Ⅱ型糖尿病分类问题,提出利用动态血糖检测仪(CGMS)对糖尿病患者进行时间序列血糖浓度数据的采集,对患者数据进行特征提取及分类工作,为糖尿病分类提供新的分类模型。但由于患者基数不同,往往被确诊为Ⅰ型糖尿病的患者远少于Ⅱ型糖尿病患者,导致样本数据类别比例失衡,属于类不平衡数据,因此针对类不平衡数据论文提出SMOTE及其改进算法进行处理,然后再对处理后的数据进行分类模型的训练及测试。论文的主要工作为:1.对CGMS仪器中得到的患者的原始数据进行预处理,利用PCA技术对数据进行不同维度的特征提取,将PCA阈值设为85%、90%、95%、99%和MLE,最终获得五组不同特征组;2.构建针对Ⅰ型与Ⅱ型糖尿病严重的类不平衡数据,论文提出了SMOTE+XGBoost算法的分类模型。针对PCA获得的五组特征组,首先进行SMOTE及其两种改进算法Borderline SMOTE1和Borderline SMOTE2,对特征集进行类不平衡处理,然后再采用XGBoost模型进行模型的训练及测试。本文利用CV函数对模型进行参数优化,以提高分类的效果;3.最终对论文提出的分类模型进行验证。实验表明,随着PCA算法中保留的特征越多,分类模型的准确率就越高。论文提出的SMOTE+XGBoost及其两种改进算法的模型最终分类结果与临床诊断的符合率在[0.9238,0.9619],并与GBDT算法与light GBM算法进行比对,发现论文提出的分类模型的准确率较高。