计算机技术的飞速发展令信息技术在智慧医疗建设方面取得了长足进步。传统治病方式是依据医生自身专业知识及累积经验来治疗疾病,而使用数据挖掘技术得到医疗大数据的可用信息,可以更容易找到预防及治疗疾病的医学规律。当今社会生活压力不断增大,糖尿病的发病率每年都在上升,而糖尿病并发症在早期很难被发现并且确诊后很难被完全治愈,这对于患者本人及家庭而言都是一种相当大的压力,甚至会给社会带来恶性影响。因此,挖掘与研究糖尿病患者信息,辅助医生做出正确诊断,是一个有价值的研究方向。本课题采用人工智能机器学习方法开展科学研究,主要工作及成果如下:（1）数据预处理。本课题使用的数据集是直接从医院数据库中获取的原始数据集,数据质量较差。在预处理中,主要对数据进行特征选择、缺失及异常值处理、数据标准化处理等操作,完成后对新数据集进行全面的数据分析,从而更了解数据集的特点。（2）改进关联规则Apriori算法对糖尿病并发症进行关联分析。本课题通过分析传统Apriori算法本身存在的现实弊端,如需要很大的I/O负载以及产生大量冗余性候选项集等问题,来对其进行改进。首先将预处理后的数据集转化为布尔矩阵,对布尔矩阵进行行列压缩以减少数据的规模,用索引表存放生成的候选项集,并且在对频繁项集查找时引入Tried树查找的方法。通过对比实验发现,与传统Apriori算法相比,改进后的算法在时间和空间效率上有很大的提高。最后利用改进算法挖掘预处理后糖尿病数据集的关联关系,从而更快更高效的找到糖尿病并发症间的强关联规则。（3）优化BP神经网络构建糖尿病并发症预测模型。通过数据预处理后分析糖尿病数据集的特点,选取BP神经网络构建糖尿病并发症预测模型。BP神经网络存在易陷入局部极小值、在学习过程中收敛速度慢、网络结构不易确定等自身局限性,而遗传算法本身具有全局搜索能力,该特点用于优化BP神经网络的初始结构。遗传算法本身容易陷入局部最优解,影响自身的寻优能力,故对该算法进行改进。主要改进遗传算法的选择方法及遗传算法的交叉、变异概率公式,最后构建糖尿病并发症预测模型,通过仿真对比实验证明,本课题改进算法后所构建的预测模型具有更高的预测精度。