伴随着互联网信息的爆炸式增长,人们对医学疾病信息的准确查询需求越来越高。针对医学专业领域的搜索引擎构建逐渐成为工程领域研究的热点。长期以来,通用搜索引擎主要是根据用户输入的查询信息进行简单的字符匹配查询,检索结果往往返回的信息量十分巨大。由于互联网的开放策略及对互联网内容缺乏评判标准,从而导致互联网信息质量良莠不齐。伴随着商业搜索引擎对竞价排名技术的使用,对于一般用户而言,很难对通用搜索引擎返回的大量医学信息进行甄别,真正有价值的信息还需要用户自己来挖掘。本文首先针对专业医学书籍、临床门诊病历和医学专家经验的解析与形式化表达进行了研究,对这三种不同形式和结构的医学数据的解析和处理能够为疾病信息搜索引擎和疾病的相关性模型的构建打下基础。通过对常用信息检索技术的研究和对比,构建出以向量空间模型为基础的疾病信息搜索引擎。其次,给定用户输入的Query信息,常规的信息检索模型往往可以返回一些结果,但不能很好的保证搜索结果与Query的相关性。因此,本文分别应用了朴素贝叶斯和决策树两种单一机器学习模型对Query与疾病的相关性进行评估。朴素贝叶斯模型通过计算不同疾病类别下不同医学特征出现的概率来计算样本属于不同类别的概率,在样本数量较小的情况下依然可以获得很理想的效果。而基于决策树的Query与疾病相关性模型通过判断查询信息中是否具有某一特征来判断接下来需要判定的特征,直到给出诊断结果。由此,将模型结果应用在排序结果上,从而提高查询结果的准确率。随后,针对单一机器学习模型的不足,运用了一种结合Bagging和多次采样技术的疾病相关性模型,通过计算不同模型对不同疾病类别的相关性将多个模型加权集成为强学习模型,并将集成模型的结果运用到排序上,进一步提升搜索结果的正确率。最后,基于以上研究设计并实现了疾病信息搜索引擎。实验结果表明,相较于普通信息检索模型,结合了机器学习方法的检索模型,能够进一步提升查询结果与疾病信息的相关性,提升了用户体验。