目前机器学习技术在医疗领域的应用越来越广泛,利用这种技术可以帮助医生及早发现隐匿疾病,正确预测疾病进展,从而降低患者的发病率和死亡率。慢性肾脏病及其主要类型免疫球蛋白A（IgA）肾病是一种发病率高、预后较差的慢性病,探究影响慢性肾病的关键风险因素并及时对患者进行医疗干预有助于减缓甚至是逆转病程进展。本文围绕慢性肾病辅助诊断算法开展研究,主要解决如何利用机器学习技术建立更高效的慢性肾病辅助诊断模型和如何利用机器学习技术建立儿童IgA肾病预测模型两个问题。本文的主要研究成果如下:1.提出基于优化的XGBoost算法建立慢性肾病诊断模型本文采用随机森林模型对预处理后的数据集进行特征选择,选出使模型分类效果最好的5个特征;针对XGBoost算法的参数寻优问题,提出利用遗传和粒子群混合算法进行优化;利用优化的XGBoost算法与支持向量机、极限学习机和K近邻3种算法作对比实验,实验得出基于优化的XGBoost建立的慢性肾病诊断模型性能最佳,准确率、精确度、召回率、F1值和AUC值均为100%,与最新研究成果相比有所提高。2.提出利用随机森林算法建立儿童IgA肾病预测模型通过分析发现IgA肾病的原始数据集正反样本比例接近1:14,数据分布极不平衡,因此本文提出利用Borderline–SMOTE2算法处理不平衡数据集;利用卡方检验方法对得到的平衡数据集进行特征相关性分析;然后利用随机森林与XGBoost、支持向量机、K近邻和极限学习机算法作对比实验,通过实验结果可以得出,基于随机森林算法建立的儿童IgA肾病预测模型性能最佳,准确率为97.01%,精确度为99.22%,召回率为94.76%,F1值为96.93%,AUC值为98.58%。利用Python中的Django框架和HTML文本语言,基于提出的随机森林算法辅助诊断模型建立儿童IgA肾病预测实验系统,达到患者输入指定化验指标预测自身5年内是否进展为终末期肾病的目的。