现代智慧医疗系统中存在海量医疗数据,需要医护人员从中依据患者病历单做出快速判断。目前心脏病是一类复杂疾病,患者症状表现多异,病因来源大多也无从查证,传统医疗决策方法很难对患者给出准确诊断结果。从大量的心脏病医疗数据中提取有效的属性集合,借助RBF神经网络完成病症智能诊断,实验数据选用邻域粗糙集属性约简快速算法处理,导出知识系统的最小属性约简集合,且需要保持分类能力不受影响。提取最小属性约简集合作为两种启发式算法优化径向基神经网络的输入样本,对患者做出准确计算并给出决策分析结果。本文主要研究工作:（1）邻域粗糙集属性约简快速算法借助特征参数、重要度下限阈值来实现不确定性知识的处理。对任意子集求标准差后计算邻域半径,得到样本邻域信息表,计算决策属性较任意属性子集的上下近似,判断待检验样本集中的每个样本邻域的决策属性取值是否相同,找到最大正域值和对应的属性,重复操作得到属性约简结果。邻域粗糙集不需要离散化预处理,保留了原始数据完整性,对不确定性知识的处理有了新的度量方法。（2）利用蚁群算法对径向基神经网络参数优化,确定蚁群规模,计算每个蚂蚁适应度值,给出初始信息素浓度,依据节点转移概率调整前进路径,防止路段上信息素浓度积累,设定信息素具有挥发性,迭代过程中随着时间的增加而降低,通过正反馈机制寻觅出最佳路径。将前期工作中原始数据、属性约简快速算法约简数据充当蚁群算法优化RBF神经网络的训练样本,经过实验对比分析,该结合算法对心脏病数据的医疗决策效率提高。（3）提出了粒子群优化径向基神经网络算法,该算法在搜索空间中,初始化粒子群,建立优化算法与神经网络模型的映射方式,计算个体粒子当前位置与初始位置的适应度值,通过粒子的位置、速度不断调整前进行为,达到迭代次数限制数值条件,迭代得到最优粒子全局极值,完成全局优化。实验结果表明,邻域粗糙集属性约简快速算法对医疗决策实例处理,得到最小约简集合,粒子群优化RBF神经网络与单一算法模型比较,准确率、运行时间等评价指标方面均有提升。