脑卒中是具有较高复发率和高致残率的慢性脑血管病,早期发现并对其干预治疗对提升脑卒中治疗效果减少医疗花费具有重要意义。目前脑卒中病情诊断主要依赖于医生的工作经验,受到医生的主观因素影响。为此本文基于机器学习构建脑卒中预测模型,实现对患者脑卒中病情的客观筛查及预防,用以辅助医生决策。本文主要研究内容如下:首先,对脑卒中公开数据库进行数据预处理,包括均值填充、数据变换、数据清理,应用ADASYN方法解决脑卒中数据集的数据不平衡问题。确定10个特征指标作为深度前馈神经网络脑卒中预测模型输入,设计5层神经网络结构,选用标准反向传播算法训练网络,通过调整结构参数和批次参数,提升模型预测准确率,实验结果表明深度前馈神经网络模型的预测精度受到样本数量限制。其次,为解决脑卒中公开数据集样本少限制前馈神经网络预测模型精度问题,采用随机森林算法构建预测模型,通过手工调节决策树个数和树的最大深度参数,分析参数对预测模型精度的影响规律,为有效提高预测模型精度,本文利用遗传算法（GA）对模型进行自动调参,分别以准确率、精确率和F1为适应度函数找到目标范围内的最优参数,研究结果表明,对比深度前馈神经网络模型,预测模型精度得到提高,随机森林算法构建的决策树之间缺乏依赖关系导致预测模型精度受限。最后,为进一步提高预测模型精度,增加决策树之间依赖关系,提出采用xgboost算法构建了脑卒中的预测模型,对于样本数据特征的重要性进行排序和评价分析,通过手工调节决策树个数和树的最大深度参数调参,分析预测模型精度变化规律。利用GA-xgboost算法实现模型的自动调参,分别以准确率、精确率和F1为适应度函数,寻找目标范围内的最优参数,对比分析结果表明预测模型精度明显提高。通过应用上述三种机器学习算法进行脑卒中预测模型研究,不断提高了预测模型的精度,对医学临床预测脑卒中及筛查具有一定应用价值。