前列腺癌的早期检测方法主要是通过前列腺特异性抗原检测,但由于前列腺特异性抗原的血清水平会受到前列腺增生和前列腺组织严重炎症的影响,使前列腺癌早期诊断假阳性增高,导致患者进行非必要前列腺穿刺活检的概率增加。因此,本文基于前列腺癌和前列腺增生患者的临床数据,通过机器学习进行特征选择方法的筛选,并构建前列腺癌和前列腺增生预测模型,为临床医生的决策提供一定的依据。前列腺癌和前列腺增生预测模型主要工作如下:首先,整理2 472例患者临床数据,增加数据探索环节,完善数据预处理流程,对数据进行缺失值填充、异常值处理、数据变换、数据规约,完成数据预处理工作。选取11种特征选择方法,生成11个特征子集,并提出了基于最小二乘法的线性回归模型筛选特征子集的方法,共筛选出卡方检验、极度随机树、随机森林这3种特征选择方法,并生成相应的特征子集。其次,将3个特征子集分别输入到单分类预测模型（逻辑回归、决策树和支持向量机）和集成学习预测模型（随机森林、自适应增强和极端梯度提升）中进行综合比较,并用多种评估指标对模型的预测性能进行评估。对前列腺癌和前列腺增生预测模型进行评估结果发现:极度随机树特征子集能够较大的提升逻辑回归模型的预测性能,随机森林特征子集能够较大的提升支持向量机模型在前列腺癌方面的的预测精度,但从预测模型整体预测性能方面考虑,集成学习算法构建的预测模型占优势。最后,基于特征子集与预测模型相互组合得到的6组模型预测结果,筛选出最优的前列腺癌和前列腺增生预测模型。预测模型评估结果表明,最优的前列腺癌预测模型为基于卡方特征子集的自适应增强模型,最优的前列腺增生预测模型为基于极度随机树特征子集的自适应增强模型。结合得到的最优模型设计了一个前列腺癌和前列腺增生的癌前周期管理机制,为前列腺癌和前列腺增生预测模型的应用提供参考。