头痛是一种常见的神经系统疾病,如何充分利用已有的中文头痛病例文本数据（也就是医生的经验）辅助头痛诊断是智慧医疗领域的重要课题。本文基于集成学习、深度学习等机器学习技术,研究面向中文头痛病例文本的头痛特征抽取方法和头痛诊断方法,以能够为头痛领域的计算机辅助诊断提供一种新的途径。本文的主要工作包括:1.为了能够支撑头痛特征抽取,设计了一个头痛属性规范化表示框架;并按头痛属性规范化表示框架对中文头痛病例文本数据进行属性标注,构建了一个用于头痛特征抽取的标注语料数据集。2.设计了面向中文头痛病例文本的头痛特征抽取模型。采用了开源的中文向量词表对中文字符序列进行向量化表示;抽取模型包括基于Bi-LSTM+CRF的头痛特征抽取模型、基于BERT+Bi-LSTM+CRF的头痛特征抽取模型以及基于IDCNN+CRF的头痛特征抽取模型,通过实验验证了抽取模型的有效性;实验结果表明基于IDCNN+CRF的头痛特征抽取模型的抽取效果最佳,可以为头痛诊断提供更可靠的头痛特征。3.设计了基于集成学习的头痛诊断模型,包括基于Bagging（以KNN为基学习器）的头痛诊断模型、基于随机森林的头痛诊断模型、基于Adaboost的头痛诊断模型、基于Gradient Boosting的头痛诊断模型,通过实验验证了诊断模型的有效性;实验结果表明基于Gradient Boosting的头痛诊断模型的头痛诊断效果最佳。4.以基于IDCNN+CRF的头痛特征抽取模型和基于Gradient Boosting的头痛诊断模型为核心,设计并实现了一个基于集成学习的头痛诊断原型系统。本文的主要成果是提出了一个面向中文头痛病例文本、基于集成学习的头痛诊断方法。该方法对头痛领域的计算机辅助诊断具有参考价值。