随着信息技术的发展,在体育运动领域出现了智能运动设备和软件采集人体的运动和体征数据并进行直观的展示,辅助专业的运动人员规划运动策略。但是对于缺乏专业知识的普通大众来说,直观的数据并不能帮助他们做出正确的运动规划。因此,有效地利用采集的运动和体征数据分析出用户的个人体质情况,生成合理的运动建议成为智能运动健康领域的研究方向。基于以上问题,本文旨在设计与实现一个可以收集用户运动和体征数据,为用户生成个性化运动处方的云平台。主要研究内容包括运动健康云平台系统软件的设计与实现和个性化运动处方生成算法的设计与实现。本文主要工作如下:在运动健康云平台系统软件的设计与实现上,本文通过分析需求,模块化设计等方法设计了云平台系统的总体结构,然后经过技术方案选型,采用Springboot+Nginx+tomcat+Mysql+Redis组合的方案设计如实现了云平台系统的软件部分,在功能上实现了云平台接收存储用户数据,生成个性化运动处方,历史数据展示,运动处方展示等功能;在性能上可以满足480万pv/天的高流量稳定访问需求。在核心功能运动处方生成算法的设计与实现上,本文通过查阅文献的方法,比较研究随机森林与ANN,SVM,KNN等常用分类算法的性能,发现随机森林具有最高的准确度和最好的ROC以及F1-score性能指标,然后用本文使用的体测数据集和对对应的运动处方标签进行运动处方生成性能测试,结果显示随机森林相较于以上常用分类算法具有最好的准确度,Recall和F1-score值,因此,本文选择随机森林作为功能实现的算法。然后,针对随机森林算法在投票机制上存在忽略子树分类能力差异的不足和在非平衡集上的性能上还有提升空间的现状,本文通过查阅文献,理论论证和实验测试的方法得出AUC值可以作为投票权重参数改进随机森林算法的投票机制的结论,经过测试,该方法能提高算法在平衡集中的准确度,精准度,召回率等各项指标性能,提高幅度最大达到7.6%;也能提高算法在非平衡集中的召回率,特异度,G-mean等指标性能,其中少数类分类性能指标特异度的提升幅度最高可以达到33.3%。最后经过运动处方生成的测试实验,得出的结果显示改进型随机森林算法和原始随机森林,准确度加权随机森林在处方生成上的性能相比较,改进的算法在准确度上综合提升幅度分别为9.03%,2.71%;在召回率上分别提升7.31%和2.69%。