近年来,我国面临医疗卫生总费用连年递增,疾病诊疗过程不规范,百姓看病难、看病贵,医保基金收支严重失衡等诸多问题。鉴于疾病诊断相关分组（DRGs）在国内外医疗控费领域中所取得的显著成效,本文结合机器学习算法,开展基于DRGs分组的费用预测模型研究,为控制医疗费用不合理增长提供新参考,为疾病费用预测方法提供新思路。本文主要研究工作如下:首先,本文以某三甲医院主要诊断为冠心病的病案首页数据作为研究对象,对其展开数据集成、规约、清洗、变换等一系列预处理操作,以此来提高数据质量,确保后续DRGs分组结果的合理性和费用预测模型的科学性。然后,本文对CHS-DRGs的分组原理和分组逻辑进行深入研究;运用单因素分析、多元线性回归分析出影响冠心病住院费用的主要因素,作为DRGs分组的分组节点;对CART、CHAID、E-CHAID三种决策树算法进行深入研究,通过这三种不同的决策树算法进行DRGs分组,筛选最优分组模型。研究结果表明:基于E-CHAID的DRGs分组效果最好,其组内同质性更高,组间变异性更大。接着,本文提出一种基于DRGs分组的GWO-SVR费用预测模型。通过剔除线外患者数据,将DRGs分组的病种权重作为输入特征进行费用预测,增强模型预测结果的可靠性,并在一定程度上起到合理控费的作用。通过选择合适的核函数来保证SVR算法的预测精度;通过灰狼算法对SVR进行参数优化,解决SVR算法在大规模样本中的高运算、高耗时缺陷,降低参数寻优时间,进一步提高预测精度;通过与其他优化算法的SVR模型进行实验对照,验证本文所提出GWO-SVR算法的优越性。研究结果表明:基于DRGs分组的GWO-SVR费用预测模型可以很好的对冠心病住院费用进行预测。最后,从系统设计、系统实现两方面入手,利用Spring MVC框架、My SQL数据库实现费用预测系统。