近年来,心血管疾病的发病率持续增长,死亡率一直位居众病之首。其中冠状动脉粥样硬化性心脏病,常称为“冠心病”,是心血管疾病中最为常见的类型之一。虽然冠心病的治疗技术已经得到了长足的进步,但随着发病率的逐步升高,仅靠临床治疗的手段根本无法满足当前的需求。因此,如何建立起有效的预测机制,对疾病进行提前干预,已成为冠心病诊治的迫切任务。然而,现有的风险预测模型一般开销比较大,不但需要收集病人的长期指标数据,还需要对病人实施长期的跟踪与回访,时间一般需要在2年以上,有的甚至需要5-10年的时间,而且受地域、生长环境等诸多因素的制约,预测模型的适用范围也非常有限。时间与空间跨度太长,这势必影响数据采集的质量,从而影响了模型的预测效果。基于上述种种原因,医疗机构非常需要一种新型的风险预测方案,来弥补原预测模型存在的不足。在医学相关理论的支持下,本文利用耳朵特征信息,建立起以图像为基础的冠心病风险预测模型。本文的内容主要分为三个部分,第一,利用人脸识别的Haar特征实现对耳朵图像的完整分割。第二,构造冠心病预测的耳朵图像特征。具体包括:研究具有基因特征信息的耳朵距离特征;深度挖掘耳朵图像与冠心病之间关联的神经网络特征;分析耳朵区域出现异常纹理结构的病理特征。第三,从特征筛选和集成学习这两种方案去建立两种不同架构的算法模型,最后通过各项算法指标的综合对比,完成对预测模型性能的整体评估。本文的研究工作仍在不断地深入与完善,预计随着样本数据的逐步积累和耳朵特征点的进一步挖掘,预测模型的总体性能还将得到较大幅度地提升。