中医智能医疗研究对于解决我国中医传承难、中医资源匮乏、中医“看病难”等一系列问题,具有十分重要的意义。其中,智能辩证是中医智能医疗中最基本而又最关键的一步。本文通过将智能辩证问题抽象为一个病情文本分类问题,首先提出基于分块向量的病情文本相似性计算方法,将病情文本按照所描述的病位划分为块,并赋予各个病位块不同的权重来区分主次症状,通过计算块向量的余弦夹角找出两段病情文本的相似症状。然后,结合自然语言处理和数据挖掘相关技术,给出了中医病情文本分类模型。最后,以中医肾病综合征七种分型患者的病程数据为基础,通过实验将基于文本块向量相似性的病情分类模型与传统的文本分类模型进行对比。实验结果表明,本文提出的基于文本块向量相似的病情分类模型具有更高的准确性。论文主要贡献如下:1)研究传统的文本表示、文本相似性计算方法,并分析各个方法的优缺点,实现基于TF-IDF特征的随机森林病情分类模型和SVM病情分类模型,两种模型F1 值为 75.38%和 75.20%。2)针对中医病情文本,提出了一种基于分块向量的病情文本特征表示方法,更准确的表达了文本语义;以病位词的文档频率为块权值,区分主次症状。3)在基于分块向量的病情文本特征表示方法的基础上,提出了一种基于文本分块向量的相似性计算方法(Similarity Based On Block Vector,SBBV算法),并与现有的文本相似性计算方法做实验对比,证明该方法的准确率明显高于现有方法。4)在基于文本块向量特征的文本相似性计算方法的基础上进一步提出了相应的中医病情文本分类模型,综合F1值达到90.81%。最后,融合病情的非文本特征,提出了多维度的中医病情分类方法,综合F1值较文本分类模型提升近1%。