许多疾病与肠动力异常有关,其中慢性便秘就是常见的一种。它发病率高,令人痛苦,大大影响患者的生活质量。因此,研究肠动力优化管理、早期诊断及预防很重要。然而,目前并没有十分有效的方法来区分排便功能障碍患者和健康受试者。本文旨在基于Fecobionics仿生学设备采集的肛门直肠系统在自然排便过程中的各项生理参数提取表征直肠动力的有效特征,观察不同类型受试者直肠动力差异,并构建一种有效的自动直肠动力分类模型。与现有的直肠动力分析方法不同,基于健康、便秘和大便失禁受试者,从多个角度和维度提取特征。然后根据特征之间的相关程度选出特征子集,最后构建出粒子群算法优化的Support Vector Machine（SVM）三分类模型。为了评估所提出方法的性能,将所提方法与K-Nearest Neighbor（KNN）、Na（?）ve Beyes、SVM经典分类模型根据灵敏度、特异性和准确性进行比较。高预测准确性、敏感性和召回率证实了所提出方法的有效性。本论文的主要研究工作和成果如下:（1）基于Fecobionics设备采集肛门直肠系统在自然排便过程中的各项生理参数,对数据进行降噪处理后,结合肠道系统动力学知识对数据进行分析,同时引入信息学分析手段用于特征获取。获取的特征主要包括:回环面积、发力指数、信息熵、多尺度熵以及表示分形特征的Hurst指数,除此之外统计特征作为辅助特征。这些特征对于排便功能障碍疾病的诊断具有重要意义。最后采用特征选择得到最优特征子集。（2）研究和分析了几种分类预测方法,并实现了各算法来预测排便功能障碍类型,包括KNN算法、Na（?）ve Beyes算法和SVM算法。KNN与SVM分类算法是通过训练样本建立分类模型,再利用测试样本对模型进行评估。而Na（?）ve Beyes是基于概率的角度出发,对样本的数量要求不高。对比了几种分类预测方法在测试集上的分类准确率,其中SVM模型与Beyes模型均表现良好,在本论文的测试集中的准确率分别是0.7778和0.7776。（3）提出了基于粒子群优化的SVM多分类模型。针对本研究中的是三分类问题,引入了适合本文数据的多分类SVM模型。为了使分类效果最好,采用粒子群算法寻找最优参数,该方法提高了整个模型的分类准确率。通过多次实验测试在核函数采用RBF,惩罚系数C为102.938,核参数g为0.02时,该模型在测试集上交叉验证最终得到分类准确率最高为0.8318。