近些年来,预防乳腺癌的发生已经成为中国肿瘤防治任务的重点,如果建立出具有高准确率的乳腺癌智能诊断方案,就可以提高乳腺癌的早期发现率,降低女性患者死亡率,为中国医疗事业提供有效的帮助与支持。本文采用山西省乳腺癌患者生存状况的数据,通过分层抽样按照8:2的比例将数据集划分为训练集和测试集,在训练集上基于山西省乳腺癌生存状况的数据,构建logistic回归分析、决策树、支持向量机以及BP神经网络的诊断模型,通过不断调节各个诊断模型的参数,找到每个分类器的最优诊断模型,之后在测试集上进行测试并预测,最后根据准确率、ROC曲线下面积、查准率、召回率以及F1分数等指标来评价诊断模型的诊断效能。为了更加稳健的对比这四种分类模型的诊断效能及其稳定性,对各种分类模型都进行了十折交叉验证。通过比较发现:对于单一分类器诊断模型来说,诊断效能最好的是决策树模型,其预测正确率达到了 0.86,该诊断模型对于生存状况为存活（0）和生存状况为死亡（1）的样本预测的正确率都比较高;其次是logistic回归分析模型,其预测准确率为0.81,再次之是BP神经网络模型,其预测准确率为0.77,最差的是支持向量机模型,预测准确率仅有0.71,但是这三种分类模型只对于生存状况为存活（0）的样本预测的正确率高,而对于生存状况为死亡（1）的样本预测的正确率不太高。因此,本文选择了预测准确率最高的决策树和logistic回归分析诊断模型,通过对这两个分类器的预测概率进行加权求和,构建了一个分类器决策融合模型,使得该模型的预测准确率达到了 0.87,并且该诊断模型对于生存状况为存活（0）和生存状况为死亡（1）的样本预测的正确率都比较高。