我国自1998年建立医疗保险制度以来,各医保经办机构一直在探索解决基金压力与不断提高的医疗需求这一对矛盾的方法。各项医疗保险政策调整的决策知识来源于对真实业务数据的慎密分析。如何在庞杂的数据中,抽取出精确的统计、分析、预测,成为医疗保险信息系统建设的新方向。本文从知识工程师的角度对医疗保险决策支持知识进行描述,并试图将医疗保险决策支持所需的知识获取这个复杂的过程分解为一系列的单个步骤,对其中的关键步骤利用机器学习技术以历年的业务数据作为训练数据进行自动学习。并根据不同的业务需求分析不同的专业知识获取过程,探讨知识获取过程中所使用的适合的机器学习技术,以期达到实现医疗保险决策模型知识获取工程自动化的目的。作为实例,本文对医疗保险决策支持中参保单位收不抵支风险判别和诊疗结构知识进行了详细的实验研究。对参保单位收不抵支风险的判别知识构建了基于决策树的学习算法,并对过度匹配问题、属性值离散化问题及属性值贡献度问题进行了讨论。对诊疗结构知识,构建了住院周期模式、费用模式、检查模式、手术模式、用药模式、特殊用材模式六大模式,并构建了总费用模式、床日费用模式、费用分布模式、常用药模式、药品配伍模式等子模式。利用统计学习获取区间模式知识,利用频繁项集挖掘算法获取诊疗结构的常用项模式和关联关系模式知识,利用LMS算法进行诊疗结构差异知识学习。最后通过实验分析对上述两类知识获取过程中的准确性及获取效率进行进一步的讨论和研究。