疾病作为人类健康的一大威胁,不仅关系到每个家庭的幸福,还关系到整个社会的稳定与发展。准确的疾病诊断结果对其预防与治疗有着至关重要的作用。疾病诊断是一个复杂的决策过程,传统的疾病诊断过程及结果主要依赖医生的经验和专业水平。随着人工智能技术的广泛应用,支持向量机作为一种常用的分类模型,对于小样本、高维数据的分类问题具有很好的鲁棒性与适应能力,在辅助疾病诊断中取得了不错的效果。然而,在支持向量机训练过程中,存在大量对于确定最终超平面没有意义的约束。本论文对支持向量机训练方法进行研究,提出SVMPM训练算法,并将训练得到的支持向量机结合集成学习用于疾病诊断,辅助医生得到更准确的诊断结果。本论文主要研究内容如下:1.针对支持向量机训练过程中约束条件过多的问题,提出了一种约束简化策略。该策略首先基于QuickHull算法寻找样本类边界点完成对约束条件的第一次简化;然后,根据已得到样本点的组合计算属于不同类的样本点间的距离并排序;最后,基于预先设置的阈值,通过删除距离较远的样本点完成对约束条件的简化。实验结果表明,使用了该约束简化策略的支持向量机模型,可保持与经典支持向量机相同的分类效果。2.本论文基于罚函数,提出了一种改进的支持向量机训练算法,并在此基础上建立了用于疾病诊断的集成模型。首先,使用本论文提出的约束简化策略约减训练样本;然后,针对使用约束简化策略后保留的少量约束条件,使用罚函数法将其转化为无约束最优化问题并使用梯度下降算法求解;最后,通过集成改进的支持向量机与其他两种基分类器,建立集成模型用于疾病诊断。实验结果表明该集成模型比经典支持向量机等其他分类模型拥有更好的分类效果。