医学临床诊断与人们的健康密切相关.随着科技的快速发展,先进医疗设备的广泛应用,大量病人的临床医学数据得以有效存储,人们对挖掘医学数据中所蕴含的有效信息的需求日益迫切.然而,临床数据常表现为多样性、高维性、异质性和冗余性等特点,给传统的临床诊断方法带来巨大挑战.探寻合理的数据分析方法,对医学数据进行有效的处理分析,对辅助医生诊断、指导临床诊疗和疾病预防都具有重要的意义.在对疾病诊断和预后分析中,临床记录影响因素有很多,医生们更关心的是其中的重要影响因素.对于医学影像数据而言,有些特征肉眼不可见或很难发现.此外,医学数据库中存在大量未标记的数据,进行充分的信息挖掘具有重要意义.基于临床医学数据的特点,进行有效分析需要解决两个主要问题:一是对数据的有效特征表示,这是医学数据分析处理的关键;另一个是有效分类,也即通过设计更好的分类算法达到精准识别和预测的目的.本学位论文主要工作概括如下:(1)提出了一种基于决策曲线分析和反投影稀疏表示分类的临床重要因素分析方法.首先,针对临床预后重要影响因素分析问题,在特征表示上,给出了一种基于决策曲线分析的重要影响因素自动筛选方法,并对重要因素做了排序.该方法不仅适用于连续型样本数据,对离散型数据同样有效.通过对各因素进行独立分析,不仅有效避免了传统医学分析方法中哑变量及多因素间多重共线性等问题,也有效完成了临床预后的重要影响因素筛选(即特征选择).其次,在此特征选择的基础上,借助反投影稀疏表示分类方法完成预后分析.反投影稀疏表示分类方法是基于稀疏表示分类方法的改进,不仅有效克服了稀疏表示分类方法对充足的同类训练样本的过度依赖,还能充分挖掘测试样本中蕴含的信息,减少训练样本数目对预测结果的影响.对重庆医科大学提供的临床数据上进行测试,验证了所提方法与临床医生诊断吻合度非常高.(2)提出了一种基于深度随机森林和反投影稀疏表示分类的肿瘤识别方法.针对医学影像数据,由于带标注的有效训练样本较少且不易获取,在特征表示上,引入深度森林方法进行深层特征学习,并在此基础上,结合反投影稀疏表示分类方法完成分类.在河南省肿瘤医院提供的临床食管癌CT数据集上,通过对单例病人和多例病人六个不同时期的食管肿瘤CT数据进行特征学习和分类,实验结果验证了本文方法的可行性与有效性.