人工智能在医疗领域的研究逐渐成为关注的热点,人工智能辅助的在线诊疗系统大多基于专家模式,该模式对人力、财力和精力的消耗会更多.近年来,针灸治疗因其特殊的治疗效果越来越被重视.根据患者症状,自动给出疾病的初步判断和相关针灸治疗方案推荐,以及自主导诊的在线诊疗系统尤显重要,而系统的关键技术是构建具有较高准确率的疾病症状分类模型.本文应用机器学习和深度学习理论,通过对针灸文本数据中疾病症状构建分类模型,有助于解决目前在线诊疗系统的专家模式问题.通过医院实地和网络爬虫收集针灸文本数据,因其存在与其它通用数据集截然不同的特性,所以对疾病症状分类时需借鉴其它短文本的分类方法.数据集较少时,卡方统计量因其计算复杂度低的优势成为特征选择中最常用的方法之一,但传统卡方统计量忽视了特征项在短文本中出现的频度,且存在特征项与短文本类别负相关等问题.结合针灸文本数据固有特性,本文在使用卡方统计量做特征选择之前,用TextRank算法进行类关键词抽取,然后将保留类关键词扩展到文档向量中,构成一种新的混合特征选择方法.该方法可避免传统卡方统计量存在的问题.最后结合支持向量机分类算法,建立一种基于CHI的混合特征选择方法的疾病症状分类模型.深度学习理论在诸多领域被广泛应用,经过查阅大量文献,在医疗领域鲜有研究者使用卷积神经网络结合支持向量机对疾病症状进行分类.在数据集较多情况下,本文用Skip-Gram训练维基中文语料获取词向量,并对疾病症状短文本进行词向量表示,用卷积神经网络模型对短文本做特征提取,在此基础上,结合支持向量机分类算法,建立一种基于卷积神经网络和SVM的疾病症状分类模型.该模型可克服传统特征选择方法存在的特征维度较高和数据稀疏问题.本文分别对两种疾病症状分类模型在样本数据集进行实验验证,通过实验结果对比,本文建立的两种模型均在准确率、召回率和F测量值三个评价指标上优于其他分类模型.