伴随着生活水平的改善,人们对身体健康的重视程度也逐渐提高。普适计算技术和信息化手段可以为人们“适时适地”地提供普遍适用的医疗服务与健康服务。为老年人以及患有多种慢性疾病的高风险病人提供的普适健康监测服务,充分利用了已有的医疗资源,大大减少了不必要的开销。为了提高普适健康监测服务的护理质量,医疗人员需要分析医疗信息系统提供的丰富数据,以便及时发现知识,做出明智的决策。然而,医疗诊断涉及许多不确定性,借助普适健康监测系统进行医学决策充满了困难,如何明确地表示这种不确定性成为了普适健康监测应用中的研究热点和难点。本文考虑到医疗数据的特殊性,以心脏病数据为研究对象,采用贝叶斯网络进行处理,构建一个智能概率模型来诊断疾病。首先,本文提出了一种完全从观测数据中学习网络节点顺序的方法,克服了传统算法需要领域专家给定网络中的节点顺序的限制。然后,本文引入了并行优化来进一步提高在数据量大的情况下建立诊断分析模型的速度。接着,论文详细陈述了包括数据预处理在内的整个建模过程。另外,针对单个分类器的不足,本文提出了一种综合考虑分类器准确性和多样性的集成方法来提高分类器的泛化能力。最后,实验证明本文提出的几个方法在一定程度上提高了贝叶斯网络建模的准确率并且缩短了建模的时间。