Bu hastalığın teşhisi spirometre ve polisomnografi (PSG) cihazı ile yapılabilmektedir fakat sistemin yeterince gelişmemesinden dolayı, bireylere bazı zorlular yaşatabilmektedir. Bu zorlukları ortadan kaldırmak için PSG cihazı kadar yararlı olabilecek alternatif sistemlere ihtiyaç duyulmaktadır. Bu çalışmada, bireye daha az sıkıntı oluşturan ve PSG cihazı kadar verimli bir şekilde çalışabilen bir sistem geliştirilmiştir. Bu durumdan dolayı fotopletismografi sinyali kullanılarak zaman ekseninde 26 adet özellik çıkartılmıştır. Makine öğrenmesi modelleri olan k – En Yakın Komşu Algoritması, Olasılıksal Yapar Sinir Ağları ve Destek Vektör Makine olmak üzere toplamda 3 adet sınıflandırma algoritması kullanılmıştır. Bu tez çalışmasında ayrıca 8 KOAH'lı hasta ve 6 kişilik sağlıklı bireye ait veriler kullanılmıştır. Sınıflandırma algoritma performanslarının değerlendirebilmek için doğrululuk oranı, özgüllük, duyarlılık ve F-ölçümü gibi parametreler kullanılmıştır. Her 3 makine öğrenmesi modelinde de elde edilen sonuçlar en az doğruluk oranı %80 olup bazı algoritmalara göre tüm verilerin doğruluk oranı %100 doğru sınıflandırılmış, duyarlılık 1, özgüllük 1 ve F-ölçümü 1 olarak tespit edilmiştir. Tez çalışmasında elde edilen sonuçlar değerlendirildiğinde makine öğrenmesi temelli KOAH teşhisi verimli bir şekilde yapılabileceği gösterilmiştir.