脑卒中是危害人们健康的主要疾病之一,是世界上仅次于心脏病的第二大死亡原因,是我国人口的首要死亡原因。它的发病率高,很容易造成成年人残疾,严重危害人们的健康,如果不及时治疗,甚至会导致死亡。根据研究可知,对脑卒中风险进行早期预测可以帮助医生和患者及时关注疾病并尽早干预,可以有效降低脑卒中发病率和并发症的风险,因此及时诊断和干预是及其重要的。本次研究旨在构建用于预测早期脑卒中风险的机器学习模型。本次研究选用数据集是来自kaggle网站上的“healthcare-dataset-stroke-data”脑卒中预测数据集。该数据集包括5110个样本（249名脑卒中患者和4861名非脑卒中患者）,可以明显发现数据集严重不平衡,本文将采用SMOTE-NC处理不平衡数据集。对于同时具有名义特征和连续特征的数据集,SMOTE-NC是唯一一种基于SMOTE来平衡数据的过采样技术。为实现对脑卒中的准确预测,结合之前研究者所使用的预测方法,本文提出了一种基于Stacking的集成学习模型作为脑卒中风险预测方法。在本次研究中,使用了逻辑回归（LR）、支持向量机（SVM）、K-最近邻（KNN）、决策树（DT）、随机森林（RF）、自适应提升分类树（Adaboost）、梯度提升树（GBDT）、极端梯度提升（XGBoost）、高斯朴素贝叶斯（Gaussian NB）、伯努利朴素贝叶斯（Bernoulli NB）这十种分类算法作为候选基分类器进行训练,并比较了它们作为脑卒中预测模型的表现。实证实验结果表明,梯度提升树（GBDT）的准确率最高,为97.02%,其次是XGBoost,为96.09%,Adaboost为95.53%。最后选用表现较好的算法作为Stacking框架的第一层基学习器,选用随机森林算法作为第二层的元学习器进行训练。对于本文提出的基于Stacking的融合模型,准确率达到97.48%,精度达到97.50%,召回率达到97.48%。与单一的模型相比,融合模型的分类性能最好,因此该融合算法可以为脑卒中的早期筛查提供参考,并有可能用于其他疾病的早期筛查。