近年来,医学工程有了飞速的发展,大量医学数据通过测量仪器被详细的记录下来,因此导致医学相关数据海量增长。在如此海量的数据库中利用各种数据挖掘方法和技术来发现和总结各种疾病的临床表现、发展规律和它们之间的相互关系,比较各种诊疗方案的疗效,这对于疾病的诊断、治疗甚至是医学研究来说都是很有价值和意义的。本文首先综述了医学数据挖掘的主要特点、基本过程、关键技术及发展方向。然后对基于传统数据挖掘分类方法的泌尿外科疾病诊断进行了研究,接着提出了一种基于频繁闭项集的新关联分类算法ACCF。ACCF算法基于频繁闭项集,这是因为频繁闭项集的数量远少于频繁项集的数量,且根据频繁闭项集可以获取全部的频繁项集,通过频繁闭项集得到的类关联规则能获取所有的规则。结合泌尿外科疾病数据的特点,ACCF算法也对规则修剪和匹配方法进行了改进。在对UCI数据库中的18组数据集和泌尿外科疾病数据集的实验表明,ACCF能挖掘出高质量且不丢失任何信息的规则,不仅大大减少了候选类关联规则数量,而且在分类准确率上也高于具有代表性的传统关联分类算法—CBA算法。在对泌尿外科疾病集的诊断中,与本文中介绍的其他传统分类算法相比,ACCF也表现出了最高的分类准确率。本文的内容和取得的成果如下:①对泌尿外科疾病诊断中传统的几种分类算法:决策树、朴素贝叶斯、BP神经网络、基于关联规则分类(CBA)进行了研究,并做了大量的对比实验。②从理论上分析了传统关联规则分类算法存在的问题,提出一种基于频繁闭项集的新关联分类算法ACCF;通过大量的实验,与文中的其他分类方法相比证明了本文算法在准确率上有一定的提高,效率也有一定的改善。③基于本文提出的ACCF算法,以B/S架构设计和实现了泌尿外科临床决策支持原型系统。