定点医疗机构历史业务数据往往存在需求不到位、标准不统一和信息不直观等问题,使得决策者难于从中挖掘到有价值的信息和知识；本文针对此问题设计开发了一个决策支持系统。本文把数据仓库、数据挖掘、模型库结合起来形成智能型决策支持系统,系统逻辑结构包含三个主体：人机对话部件、数据部件和模型部件。采用B/S结构,决策者利用浏览器可以很方便地使用决策支持系统；在现有的B/S技术框架中,J2EE的EJB过于复杂,而Struts2+Spring组合框架开发的应用用户体验效果不佳；针对这两个问题,本文通过引入Flex技术,提出Flex+Struts2+Spring组合框架,基于软件构件化的设计思想,设计了一个四层的B/S框架：视图层、控制层、业务层和持久层；这样的设计,开发人员不但可以把主要精力放在具体的业务开发上,而且还可以创建RIA(富互联网应用),极大改善用户体验效果。通过定量描述定点医疗机构业务,把其看作空间中的点,使用K均值聚类算法,可以有效的对定点医疗机构进行无监督的分类。然而,随机初始值对K均值聚类算法的结果影响很大,且算法也极易收敛到局部最优解；针对这个问题,本文通过把K均值聚类问题转化为最小化SSE(误差平方和)的最优化问题,引入粒子群优化算法(简称PSO),提出了基于PSO的K均值聚类算法,结合PSO全局搜索能力,帮助K均值算法收敛到全局最优解,阻止早熟现象的发生。并通过两种方法优化算法,一是随迭代次数递减w惯性权值,另一是w惯性权值自适应改变。四组实验结果表明基于PSO的K均值聚类算法能有效的收敛到全局最优解。最后,基于上文系统的设计,实现了医保定点医疗机构决策支持系统。通过对定点医疗机构数据采用星型结构建模,并使用在事实表里增加冗余字段和对医疗机构ID进行编码两种方法避免了多表关联查询,从而极大提高数据访问速度；运用时问序列ARMA模型和上文提出的基于PSO的K均值聚类算法,对定点医疗机构业务进行相关预测和聚类分析,从而帮助决策者发掘数据背后的潜在信息,获得有价值的知识,为劳动保障部门提供决策支持。