近年来,随着“健康中国”政策的提出,医疗健康问题受到社会广泛关注。由于当前社会存在着医疗资源分配不均,城乡医疗服务水平悬殊的现象,所以疾病辅助诊断领域的研究与应用具有重要的实际意义。目前疾病辅助诊断领域存在着疾病预测算法精确度不够高,预测算法未考虑到疾病误诊代价以及传统疾病辅助诊断软件开发工具落后等问题。本文针对上述研究现状,提出了基于随机森林与逻辑回归(RF-LR)改进算法的疾病预测模型,使用真实的医疗数据对算法进行测试分析,基于改进的算法设计并实现了疾病辅助诊断软件。本文的主要工作如下:1.建立基于随机森林与逻辑回归(RF-LR)改进算法的疾病预测模型。针对疾病预测算法精确率有待提高的问题,使用基于随机森林和序列后向搜索策略的特征选择方法,消除数据集中的冗余特征,提高算法的精确率。针对疾病误诊代价问题,使用代价敏感学习方法,在逻辑回归的损失函数中加入代价权重参数,通过选择最优权值参数,降低疾病误诊所带来的代价。使用真实的医疗数据,将改进后的算法同逻辑回归、决策树、支持向量机进行预测效果的对比。测试结果证明,与其他算法相比,本文的疾病预测算法的性能表现较好,精确率、召回率和F1值分别为89.3%、86.8%、88%。2.对疾病辅助诊断软件进行分层设计,将软件分为表示层、控制层、业务逻辑层、数据持久层和数据层,同时使用B/S架构模式进行软件搭建。根据软件的需求分析,采用Struts、Spring、Hibernate(SSH)框架进行软件的设计与实现。疾病辅助诊断软件的功能包括用户注册及登录、用户管理、疾病预测、疾病咨询、科普推送等功能,同时将改进的预测算法应用在疾病预测功能中。3.搭建疾病辅助诊断软件测试环境,根据疾病辅助诊断软件的功能需求,按照国家软件质量测试标准,对软件进行测试。测试包括软件功能测试、软件兼容性测试以及软件性能测试。通过上述的测试来验证软件功能的有效性和可用性。根据测试结果,软件能够满足用户对疾病辅助诊断的需求,同时软件符合国家软件标准,软件在不同的浏览器中都能够稳定运行和使用。