近几十年来,虽然医学诊断取得了巨大的发展,但即使是经验丰富的专业医生仍然难以准确预测突发疾病。随着机器学习技术的发展,相关智能算法已经开始帮助医生识别和预测疾病。然而,这些基于数据的方法仅根据历史数据训练模型来获得所需结果,并没有基于专业医学知识,往往不能在实际医疗数据集上获得较高的预测精度。通常“患者—症状”以及“症状—疾病”之间的关系以及相关的医疗数据往往是模糊、不精确和不确定的。因此,即使已经清楚地提供了病人的信息,如何对特定的症状/疾病进行准确的评估也充满了挑战,这些挑战在临床上则需要训练有素、经验丰富的医生来应对。为了在医疗辅助诊断系统中解决上述难点,需要综合利用模糊理论与机器学习方法开发更加智能的诊断模型,来克服单独使用某一类方法的弊端。本文使用模糊理论和机器学习相结合的技术路线解决医学诊断问题。本文的主要贡献如下:（1）将基于模糊集、直觉模糊集以及中智集推荐方法在医疗诊断上的性能实证研究,提出了一种基于中智推荐算法和谱聚类算法相结合的医疗诊断方法,提高了诊断疾病的性能。（2）提出了一种基于特征选择的模糊神经网络模型的疾病诊断方法,用于医生根据患者症状做出初始判断,有效地帮助缺乏经验的医生做出诊断。该模型结合模糊逻辑和神经网络的优点,使神经网络具有处理模糊信息的能力,并通过特征选择方法对模糊特征进行选择,提高疾病诊断的精度,减少了计算量。（3）设计并实现了一个小型疾病辅助诊断系统。该系统主要包括医疗数据管理和模型训练以及疾病诊断过程。通过在四个医疗数据集上的实验证实了该系统的可用性。同时,医生可以选择不同的模型训练数据,并对比诊断结果。