近年来慢性非传染性疾病对人类健康的威胁日益增大。各类慢性病因其复杂的发病过程,很难确定疾病的发病时间。慢性病的早期筛查和确诊是公认的降低慢性病危害的有效办法,只有通过定期的体检来尽早发现诊断慢性病。伴随医疗信息化的建设不断深入,大部分医疗机构已经存有大量医疗健康数据。在这个前提下,逐渐成熟的人工智能技术为慢性病早期的筛查和诊断提供了有力的工具。近年来,针对各类慢性的研究逐渐增多。本文以体检数据为研究对象,针对现有的慢性病研究中存在的疾病关系考虑不充分、预测结果单一等问题,对肥胖症、脂肪肝、糖尿病等10种慢性病进行深入分析,提出了用于多种慢性病的多标签预测模型,并在数据集上进行性能评估与验证。本论文主要研究内容和成果包含如下:（1）基于诊断文本的疾病提取模型。由于操作不当、人员疏忽等因素,数据集中对同一疾病的描述不同。为解决这一问题,本文提出基于Word2Vec的疾病提取模型,收集大量医学相关语料库,训练医学词向量模型,实现疾病名称提取。（2）基于聚类分析的多疾病关联规则挖掘。分别利用K-Means和DBSCAN聚类方法对64种疾病进行聚类处理,再利用FP-growth算法对每个簇中的疾病进行关联规则挖掘,深入挖掘不同疾病之间的关联关系。（3）基于Bagging的多标签分类集成预测模型。各类慢性病之间存在依存关系,大多数患者同时患有多种慢性疾病。现有研究多数针对单一疾病进行预测,没有充分考虑不同慢性病之间的关联关系。因此,本文采用多标签学习算法对多种疾病进行同时预测。首先提出基于神经网络的多标签学习模型ML-NN,为了进一步提升模型的稳定性,提出了基于Bagging的多标签分类集成模型（BMCE）,该模型基于本文提出的多标签神经网络模型,再结合两个成熟多标签算法,对三个模型分别进行Bagging集成,在此基础上对三个Bagging模型的结果通过Stacking方法进行整合形成最终的多标签预测模型。经过实验验证,本文提出的ML-NN相较于其他多标签模型具有较好的性能,而BMCE则进一步提升了预测性能,优于常见的多标签模型。最后,实验证明将BMCE与疾病关联规则结合可以再次提升模型性能。