目前,医生对疾病的诊断还处于传统的经验阶段,诊断结果的正误与医生的水平密切相关,特别是对于那些难以诊断的复杂病例,人们往往求助于医疗专家。但是专家的数量毕竟是有限的,尤其是对一些中小型医院来说,尚不具备在各个门诊处设立专家的条件,致使疑难病症的误诊率较高。因此利用先进的计算机知识结合医疗信息数据库,开发辅助诊断系统,已成为一个重要的发展方向。本文在研究数据挖掘中的决策树技术的基础上,引入了Boosting集成和改进主成分分析特征选择技术,充分考虑了诊断结果的可理解性,诊断模型的泛化能力、稳定性和准确度,提出了基于改进PCA特征选择和C4.5 Boosting集成技术的AD-BC4.5-PCAFS辅助诊断算法。该方法主要分为三个阶段:第一阶段是采用PCAFS进行特征选择,从而简化分类器的建立,降低冗余属性对分类器的影响;第二阶段是采用基于C4.5的Boosting集成技术建立多个分类模型;第三阶段是根据所训练出的模型对新样本的类别进行加权投票表决。本文的实验是在多个真实医疗数据集上进行的,结果表明:PCAFS特征选择方法完全正确,且比PEA特征压缩方法更高效、更易理解;AD-BC4.5-PCAFS辅助诊断算法比其他经典方法更高效。最后,本文将AD-BC4.5-PCAFS算法应用到与辅助诊断类似的导诊系统中,取得了良好的应用效果。