近些年来,随着人们生活水平的提高,食物越来越多样化,患糖尿病的人数也越来越多,糖尿病逐渐成为影响人类健康的主要因素之一,而妊娠期糖尿病是其中特殊的一种。孕妇患妊娠期糖尿病之后对胎儿和自身的影响都很大,甚至危及到生命,因此对妊娠期糖尿病的早期筛查非常重要。目前,机器学习的发展越来越成熟,很多领域都会结合机器学习模型解决相关问题,并取得了显著的成果。因此,可以将机器学习模型应用在妊娠期糖尿病的预测上,进行早期的筛查,做到早发现早治疗。本文在阿里云和青梧桐基因联合举办的天池精准医疗大赛——人工智能辅助糖尿病遗传风险预测提供的妊娠期糖尿病数据集上,通过构建不同的机器学习模型并进行分析评估,得到表现最优的模型。具体的研究内容为:（1）选择算法。在阅读关于妊娠期糖尿病的相关资料后,结合数据集的特点,经过初步探索后选择了逻辑回归、支持向量机、XGBoost和Cat Boost这4种算法来建模。（2）实验数据预处理。原始数据集有很多缺失值,并且存在异常值,数据之间的量级差别很大,因此对原始数据中的离散特征,用“Null”填充空缺值;对连续特征中的空缺值,采用均值填充;对连续特征的异常值,采用中位数替换。之后对离散变量进行one-hot编码,并对连续变量做归一化处理。（3）选择预测模型的特征。数据集中的特征很多,存在冗余字段,这些冗余的特征会带来运算负担。因此本文在数据预处理后使用SVM-REFCV算法做特征选择,最终筛选出了47个特征代入后续的机器学习模型中。（4）建模并评估。将经过数据预处理和特征选择之后的数据集以8:2的比例分成训练集和测试集,使用（1）中的4种算法分别建模,并使用网格搜索与交叉验证结合的方式进行调参,确定了最优参数后,分析模型的各项指标。然后提出投票法、Blending和Stacking三种模型融合方法,将前四个模型进行不同方式的融合。本文使用f1值和AUC值对所有模型进行评估,实验结果表明以逻辑回归、Cat Boost、支持向量机和XGBoost作为初级学习器,Cat Boost作为次级学习器的Stacking方法表现比其他模型都好。因此Stacking方法在妊娠期糖尿病风险预测上效果最好。