医疗诊断方法和金融风险预测等决策问题在很大程度上主要依赖于决策方的实际经验，极易受决策方的主观意识和外界因素干扰所影响，做出偏差较大的分析，进而影响最终的决策效果。为了提高决策的准确性、客观性和科学性，人们提出利用机器学习对数据进行自动学习并从中提取复杂模式，从而进行客观、公正地决策。然而，由于这些决策问题本身的复杂性，直接将传统的机器学习方法应用于这些问题往往难以达到理想的决策效果，如何构造出强泛化能力的分类学习模型，为决策方提供科学的决策支持，是目前仍未很好解决的难题。本文主要研究构造具有强泛化能力的监督机器学习模型，用于更有效地解决疾病诊断和金融风险预测等智能决策问题。提出了集成粗糙集和支持向量机(SVM)的乳腺癌诊断决策支持方法、集成局部Fisher判别分析和SVM的肝炎诊断决策支持方法、基于三阶段SVM混合模型的甲状腺疾病诊断决策支持方法、基于演化模糊k-近邻(FKNN)的甲状腺疾病诊断决策支持方法、基于自适应SVM的疾病诊断和财务风险评估模型、基于并行元启发策略和FKNN的企业危机预警决策模型。在疾病数据集和金融数据集上的模拟实验表明本文提出的这些智能决策方法能获得良好的性能，并达到了预期的效果及目的。本文的研究一方面为机器学习方法本身的进一步发展起到促进作用；另一方面为医疗诊断和金融风险预测等复杂决策问题提供科学、客观的决策支持做出贡献。因此，本文的研究具有一定的理论意义和实际应用价值。