近年来智能化技术不断发展,推动了智能辅助系统的应用,在现代医疗中,医生运用其丰富工作经验和医学知识储备对患者进行诊治,人工智能技术越来越多的应用到医学中来帮助医生进行辅助诊断,本文将机器学习技术引入到中医哮喘病领域,讨论了一种基于优化的BP神经网络的智能诊断辅助方法,并利用现有医院的文本及图像病案,设计了面向中医病案的智慧医疗框架,将辅助诊断问题分别归纳为数据处理和疾病分类方面,主要包括对哮喘病主要证候大鱼际掌纹的图片数据处理以及对中医医案文本数据的处理,应用处理后的数据对哮喘病进行症状-证型的分类研究,主要的工作内容如下所示:(1)经过中医多年论证发现哮喘病患病类型与大鱼际掌纹的阴阳特征有直接的关联性。本文利用深度学习的方法,对医院原始的大鱼际掌纹数据集进行训练,根据CornerNet-Saccade算法的基本流程与优势,结合了一种非局部化的Non_Local网络,利用Non_Local网络易移植性和关注全局的特性对CornerNet-Saccade算法进行优化,应用一种简单易用的数据集标注工具-LabelImg,对数据集标注后再利用离线增强的方式进行数据增强,最后利用优化的CornerNet-Saccade算法对大鱼际掌纹进行识别分类,实验结果表明,优化后的算法对大鱼际掌纹的识别分类准确率有着很大的提升。(2)为了实现对文本病案数据的客观性描述,本文首先做了对文本病历的预处理,清洗掉与疾病证候及症状无关的文本,然后利用结巴分词工具,对清洗后的文本病历进行分词,再对分词后的文本利用TF-IDF进行关键词提取,提取出关键的哮喘病证候,将处理过后的大鱼际掌纹识别结果加入到医案中,然后通过map函数层层遍历对关键的哮喘病证候进行量化,最后对量化好的数据采用归一化的方式处理,消除由于量纲不同引起的差异。(3)根据课题的适用对象及其特点,通过加入冲向量方式,让陷入局部最小值的模型重新震荡起来,另一方面从学习率、隐含层节点数以及迭代次数方面进行了优化,克服了传统BP神经网络的容易陷入过拟合现象和局部最优等缺陷,通过使用仿真实验分析以及与其他的算法进行对比,验证了模型的准确性和有效性,为中医对哮喘病分类提高了准确性。