随着互联网技术的发展和医疗信息化的推进,各大医疗机构累积的海量数据对疾病诊断具有重要意义,但由于数据规模庞大、来源多样化以及结构不统一等问题,不易对其进行深度分析来获取潜在的知识。因此,本文针对目前医疗辅助诊断系统存在的问题,将信息融合的理念和方法应用于糖尿病诊断领域,以提高诊断效率,减少误判为目标,设计了基于信息融合的糖尿病风险识别系统,辅助医护人员进行决策。本文主要研究内容如下:(1)通过阅读大量文献了解国内外研究现状,并总结目前医疗诊断辅助系统存在的问题,以此确定论文的研究方向。(2)针对糖尿病诊断特征冗余问题,本文选择萤火虫算法对糖尿病特征集进行降维处理,并根据原始算法存在的问题,提出改进的RS-IFA特征选择算法,首先利用粗糙集理论的特性对初始萤火虫种群做出优化,其次将萤火虫位置的更新与全局最优个体相关联。实验中将RS-IFA算法和原始萤火虫算法、粒子群算法进行比较,结果证明RS-IFA算法得到的特征子集不仅在分类准确率方面有明显提升,而且解决了原始算法收敛速度慢的问题,提高了特征选择过程的效率。(3)针对糖尿病诊断问题,分析了信息融合的理论和方法,建立了二级糖尿病风险识别融合模型。特征级上利用BP神经网络对患者进行初步诊断,决策级上利用D-S证据理论方法合成特征级的输出,得到最终的诊断结果。将BP神经网络和证据理论结合不仅可以充分发挥BP神经网络的自学习能力,还能克服诊断过程中的不确定性,提高诊断的准确率。(4)根据糖尿病风险识别系统的设计目标,完成了系统的开发,各功能模块均达到预期目标,具有较好的使用价值。