空腹血糖(Fasting Blood Glucose,FBG)是衡量人体健康的一个重要指标。对空腹血糖的分析预测对发现和治疗疾病有重要意义,尤其是对糖尿病等相关疾病。体检数据是一种信息丰富的电子医疗数据,其中包含着大量体检者长期的健康指标。从大数据分析的角度,本文主要利用大数据方法研究了众多体检项与空腹血糖变化之间的关系,包含两方面的工作:首先,基于连续四年的历史体检数据和统的数据挖掘技术和经典算法,提出了对未来空腹血糖变化趋势预测的模型。该模型包括结合了随即森林特征重要性和顺序前向选择(Sequential Forward Selection,SFS)方法的特征选择算法,和对空腹血糖变化趋势概率化表示的算法。利用体检数据进行实验,表明进行特征选择后,得到与空腹血糖相关性较大体检项,并且模型的性能得到提升。对测试集上空腹血糖的趋势概率化表示,并选取空腹血糖变化高概率人群,从敏感度、特异度、正阳性预测值三方面进行分析,发现对于空腹血糖上升人群具有较好效果。其次,针对空腹血糖值表现正常群体,研究体检指标与空腹血糖高风险人群的关系建立空腹血糖上升风险预警模型。该模型考虑任两个体检项相互作用对于空腹血糖变化的影响,在数据集中添加了交叉项,通过重要体检项得分和特征选择,发现哪些体检项的相互作用对空腹血糖。从构造的交叉特征集合中,使用特征选择方式选取重要交叉项特征,用于构建空腹血糖上升风险预警模型。利用体检数据进行实验,结果表明随机森林模型在加入经过特征选择选取的交叉项,模型的性能得到提升,并对重要特征进行分析。由于数据集中存在严重的正负样本不平衡分类问题,本模型设计了基于欠抽样和模型组合的方法处理数据不平衡分类问题,取得了良好的效果。