基于海量复杂数据的医疗诊断问题是人工智能和医疗领域的难点。传统的决策方法面向的是小规模数据,而在大样本、多属性数据上,传统决策方法无法使用。同时,现有机器学习分类算法难以高效、准确地做出决策。基于模糊粗糙集的决策方法综合了粗糙集和模糊集的优势,能够很好的处理不确定、不完备数据,在智能决策中得到广泛使用。因此,本文在模糊粗糙集理论基础上,先研究面向医疗大规模数据的特征选择方法,进而在属性压缩后的数据上进行决策规则提取。针对属性维度高、样本对象少的基因数据,在模糊粗糙集理论基础上,提出了模糊区分矩阵属性约简方法,并设计了相应的启发式算法(FDM)。模糊区分矩阵是区分矩阵的模糊化推广,能够体现不同属性对于对象之间区分程度的差异,将区分程度更高的属性优先挑选出来,从而提高分类学习算法的性能。在结直肠癌基因数据上,FDM算法从2000个基因中,高效地筛选出了 5个与结直肠癌发病的关键基因,分类精度由74.17%提升到88.06%。针对样本规模大的临床诊疗数据,在模糊覆盖粗糙集理论上,提出了模糊相关族特征选择方法,并设计了相应的启发式算法(FRF)。数值实验过程中,与现有的三种代表性属性约简算法相比,FRF算法在7个公开数据集上的最大平均运行时间从2858.77秒压缩到29.21秒,并保持了较高的分类精度。在甲状腺疾病诊断数据上,用时45.9秒便筛选出了甲状腺疾病诊断的相关指标,分类精度由93.37%提升到 96.69%。本文提出的模糊区分矩阵和模糊相关族属性约简方法,能高效地提取关键诊疗指标,改善数据质量,并提高智能诊断的准确率,有望辅助医生进行临床诊断。