目前,信息技术的发展愈发迅速以及信息技术成果的不断普及,许多医院都已经普遍配备信息系统和数字化设备。随着看病人数的增加,有关数据库中病人的相关数据也不断地累积,比如影像数据(如CT影像数据)、信号(如心电图)、数字数据(如血液、尿液检测结果)、文本数据(如医生诊疗结果、患者症状描述)等等不同类型的医学数据。由于医生水平的不同或者主观判断不一致,在诊断过程中,可能会产生误诊。所以,对医疗数据进行数据挖掘来获得所含的信息的需求也愈加迫切。通过对这些医疗数据进行挖掘,可以从其中获得具有宝贵价值的关联规则信息,从而可以为医生对疾病的诊断提供更加科学的依据,降低误诊率。因此,对医学数据进行分类,并挖掘出其中的关联规则具有重大的研究意义和应用价值。对医学数据分类最终目的是选择好的分类模型,传统的数据分类通常使用决策树模型作为分类模型,但决策树模型无法适用数据中的模糊性和不确定性。因此,将模糊理论和决策树模型相结合构建模糊决策树模型,可以大大增强在处理医学数据时,决策树模型对其中存在的模糊性和不确定性的适用性,以此更加准确和有效的对医疗数据进行分类和挖掘。首先,对比两种决策树算法——模糊决策树算法和决策树算法。在医学数据集上完成模糊决策树和决策树的构建和规则提取,并总结出模糊决策树和决策树的区别。采用Kohonen特征映射算法对医学数据集确定中心点,并计算各个数据到该中心点的距离,然后对数据集采用三角隶属度函数进行模糊化处理,对处理后的数据集进行模糊决策树模型的构建。通过与其他决策树模型在分类准确率和生成的规则数量上进行对比,证明模糊决策树在医学数据分类上的优势。其次,对粒子群优化算法进行改进,通过分析对比固定权重粒子群优化算法、线性递减粒子群优化算法,针对惯性权重参数设置,提出了一种非线性递减粒子群优化算法,采用4种标准函数进行测试,能够在迭代早期更好地跳出局部最优,进行全局寻优,和迭代晚期更好地局部寻优,加快收敛速度。通过结合改进的粒子群优化算法和模糊决策树算法提出一种混合方法对医学数据集进行分类研究,该方法通过粒子群优化算法优化模糊决策树的关键参数,用得到的参数构建一个最优的模糊决策树,并且应用于乳腺癌数据集的分类上,挖掘出其中的关联规则。为了证明本文提出模型的有效性,对于优化模糊决策树模型,本文使用UCI公共医学数据集上的Diabetes数据集、Breast Cancer数据集作为实验数据集。通过实验,在训练准确率、测试准确率、概括能力以及生成树的规模构成等几个方面进行对比发现,本文提出的模型在医学数据分类中有较好的表现。