地中海贫血病（简称地贫）是一种严重的遗传性血红蛋白病,常见于我国南方地区。中、重型地中海贫血患者,因目前尚无根治方法,常见的治疗方法不仅会使患者遭受巨大身心折磨,且治疗费用也不是一般家庭所能承担的,对自身、家庭乃至社会都是一种沉重的负担。若能及早发现地中海贫血的携带者并实施相应对策,有效降低地贫血患儿的出生率尤为重要。本文主要基于地中海贫血病的数据并构建预警模型,主要研究成果如下:因数据存在不平衡的特性,本文提出了一种新的混合采样的数据处理方法,并根据多次仿真实验的结果总结出生成新的样本点的数目,并用AdaBoost算法对处理结果进行仿真验证。对数据集特征的冗余性,采用熵权法和随机森林算法进行风险因子选择,并进行对比,将二者都认为重要的因子作为最终的输入特征。考虑到过采样会引入噪声数据,欠采样会丢失大量数据等缺点,构建了基于混合采样下AdaBoost的地中海贫血预警模型,并对模型进行仿真验证,且与逻辑回归、KNN等算法进行对比,结果显示混合采样下AdaBoost预警模型的F值相对于其他算法达到了最高53.65%,G值达到91.55%,整体评价指标优于其他机器学习算法。由于Adaboost算法的基分类器为决策树,缺乏基分类器多样性,因此在已有机器学习的基础上构建了融合模型,通过实验,验证了该模型的Recall值,不仅比单个机器学习的性能高,且相对于混合采样下AdaBoost模型在Pre上提高了3.7个百分点,在F值上提高了3.5个百分点,可为地中海贫血初筛提供一定的参考价值。