近年来,随着妊娠高血压疾病的频发,人们越来越关注于如何有效预防疾病的发生,以免疾病的威胁。妊娠高血压虽然是发生在妊娠期间的一种常见疾病,但是由于其引发因素众多,截止目前医学界关于其发病机制尚未得到明确,因此,开展探索影响妊娠高血压疾病发生的工作已迫在眉睫。广义线性模型是上世纪70年代发展起来的一类模型,其统计推断理论已经基本完善,并在众多领域有着广泛的应用。自此以后,相关理论得到了长足发展。其中分层广义线性模型是其中一类重要的模型。分层广义线性模型的基本含义是在广义线性模型的基础上,对某些参数引入先验分布,构成模型的不同层次。如先验分布为截断泊松分布,后验分布为二项分布的典型模型便是二项-泊松模型。处理分类数据的机器学习方法有支持向量机及自适应增强学习等,其中支持向量机的主要思想是在训练数据集进行正确分类的基础上,进一步要求间隔最大化,而当数据为线性不可分或者非线性时,则需要引入惩罚参数和核函数进行处理,学习算法是通过利用对偶性质学习凸二次规划,以实现目标函数最优化。自适应增强学习是一种集成学习方法,可用于分类问题,它的学习过程是不断对同一弱分类器进行优化提升,不同于随机森林集成多种分类器或多个同一分类器过程。具体是通过改变训练样本的权重,学习基本分类器,并基于产生的误差重新赋予训练样本权重再次学习分类器,不断迭代,最后将这些分类器进行线性组合,形成最终模型。该研究首先通过V相关系数、“熵”相关系数以及IV值对变量进行初步筛选,然后利用筛选后的变量建立妊娠高血压的逻辑回归模型、二项-泊松模型、支持向量机以及AdaBoost模型,最后依据在测试数据集上进行预测的准确性指标,选择其中准确性最高的模型,依据最优模型中的显著影响因素,给出结论和建议,对于改善目前妊娠高血压疾病现状具有重要的意义。