大学生的体质健康问题越来越引起社会各界的广泛关注,大学生作为国家发展的新生力量,其体质健康关系着国家是否能有足够的力量迎接富强道路上的艰难险阻。但随着科技现代化的到来,人们的生活方式发生了很大的改变,大学生的体质健康状态也逐年下滑。机器学习方法正在以各种形式被应用于社会生活的方方面面,在很多领域为人们生活提供了方便。本文主要针对大学生体质健康问题,运用机器学习的方法,对不同类别体质的大学生进行运动处方的推荐及自我迭代,本论文的主要工作如下:（1）提出了一种基于k-medoids的大学生体质健康分类方法。与成都体育学院的老师和专家们,对大学生体质健康问题进行了广泛交流,并做了深入调研。不同体质健康的学生,开具的运动处方中的训练项目及其训练强度和方式应该是不同的。为了能对不同体质健康状况的大学生更加准确地进行运动处方推荐,在对各种分类算法进行研究和实验后,最终发现k-medoids聚类算法对大学生体质健康数据进行分类时,有更高的分类精度。（2）设计了一种基于卷积神经网络的大学生运动处方的预测方法。在大学生体质健康进行分类的基础上,研究了多种神经网络下的运动处方的预测效果。对比实验了目前比较主流的预测模型,包括MLP、BPNN、SVM和CNN,最终采取了效果最好的卷积神经网络,实现了对不同体质健康的大学生运动处方的预测推荐。（3）设计了一种基于NLP情感分析的运动处方自我调整方法。在对不同体质健康问题的大学生推荐了初始运动处方之后,进一步结合了心率数据与NLP情感分析数据,对相应的运动处方进行自我迭代,实现了更具针对性的个性化运动处方推荐。（4）实现了一个基于机器学习的大学生体质健康运动处方智能推荐的原型系统,将研究的理论知识结合现有的方法充分应用到实际的系统中,主要包括系统初步预测运动处方、根据运动后的反馈数据自我调整运动处方等模块,实现了大学生体质健康运动处方的智能推荐。本文的其他工作还包括:创建了Exercise Moods运动情感数据集、设计了20个运动处方模板。