哮喘病是世界上最常见的慢性病之一,因其患病人数多且难以根治给社会造成巨大影响。血常规数据可以用来辅助诊断哮喘病,有效提高医生诊断效率。但血常规数据集正负样本比例失衡及特征冗余问题,会影响哮喘病预测模型精度。针对以上问题,本文研究基于改进的过采样算法解决数据集正负样本比例失衡问题;采用改进的特征选择算法进行特征提取;设计并开发面向哮喘病的辅助诊断系统。具体工作如下:（1）针对血常规数据正负样本比例失衡,训练机器学习算法模型会导致对患病数据预测精度过低的问题,提出一种新的过采样方法FSMOTE,并将其运用到血常规数据处理。FSMOTE的主要思想是:一方面对数据集进行聚类并在少数类区域内进行插值生成新样本,确保新样本为少数类,以解决传统SMOTE算法不能解决正负样本边界（新生成样本所属类别）问题;另一方面,提出数据统一量纲标准计算样本间的欧几里得距离,以解决新生成样本与现存样本重叠问题,提升数据集质量。数值实验结果表明,新提出的过采样方法相较于其他过采样方法有更优的性能,在多个数据集上运行机器学习算法发现模型的特异性、F值和精确度都有不同程度的提升。（2）针对现有Relief特征选择方法无法解决血常规数据特征冗余导致分类器精度难以提升问题,提出一种新的特征选择方法SAMI-Relief。该方法计算出血常规数据特征与类标签之间的相关性并顺序排序,引入互信息计算冗余度,保留与类标签高度相关且与其他特征冗余度最小的特征,以此来解决特征冗余问题。另一方面对排序好的特征,自适应的选择出与类标签预测价值最大的特征子集,以提升模型效率且提高模型诊断精度。数值实验结果表明,SAMI-Relief特征选择算法性能表现更优,且在FSMOTE平衡后的血常规数据集上SVM分类模型准确率最高可达98.2%,特异性为0.988,精确度为0.986。（3）设计并实现一个哮喘病辅助诊断原型系统。首先详细地分析系统的具体需求,其次对系统的设计架构、技术选型等进行介绍,最后利用训练好的分类模型实现哮喘病诊断工作,验证算法的可用性。