类风湿疾病是一种对身体危害极大的慢性全身性疾病,患者没有及时就医进行治疗,致残率将会达到70%。大量的研究证实,各种类风湿疾病越早介入治疗,恢复的效果越好。而目前类风湿疾病患者大多是发病后才进行就医,因此医院对类风湿疾病患者基本是以治疗为主,尚缺乏对类风湿疾病患者发病前身体指标异常的监控机制。而对于类风湿疾病而言,医生在早期及时进行疾病干预才是最有效的手段。因此本文利用机器学习技术,并结合现有医疗数据库中的信息针对类风湿性疾病开发准确高效的预测工具,具有极其重要的现实意义。（1）提出基于样本缩放支持向量机的类风湿疾病风险预测模型。通过对以往大量患者的检查数据进行分析,针对类风湿疾病数据的样本少、维度高、噪声强等特点,论文提出Iterative Factoring Support Vector Machine（If-SVM）策略构建类风湿疾病风险预测模型,在核函数支持向量机中引入样本因子,度量每个数据点的重要性,用样本因子作为指标变量来判定数据点是否为关键样本。If-SVM方法将更加关注集中在超平面周围的关键数据,同时丢弃非关键样本,从而消除类风湿疾病数据中噪声样本对学习器的不利影响。在USPS、MNIST、Extended Yale B、CIf AR-10和UCI公共分类数据集和类风湿医疗数据集上进行的对比实验也证明了我们的模型预测效果更好。（2）提出最小二乘核集成回归的类风湿疾病指标预测模型。为了解决现有类风湿疾病预测模型的单一学习器预测效果不佳的问题,将集成学习方法与SVR相结合构建Kernel Ensemble Support Vector Regression（KESVR）模型预测类风湿疾病的相关检查指标。在最小二乘框架下加入核技巧并引入集成学习的思想,在回归的过程中以自适应的方式对基础核学习器进行加权,通过最小化多个再生核希尔伯特空间（RKHS）中的最小二乘损失,以获得集成框架下的最优多核回归器。在UCI公共回归数据集和类风湿医疗数据集上与多个回归方法的对比表明,论文构建的疾病预测模型具有更鲁棒,更好的泛化性能。（3）论文在If-SVM算法和KESVR算法的研究基础上构建了类风湿疾病预测系统。该系统通过预测患类风湿疾病的风险和疾病相关的指标,识别高危人群,实现发病预警,帮助人们在日常生活中了解身体状况以及为医生对患者的疾病干预提供支持。同时建议高危人群调整不健康的生活习惯来进行早期预防,从而降低类风湿性疾病的发病风险,具有很好的实际应用价值。