近年来,心脏病的致死率越来越高,并且心脏病患者的年龄也呈现递减趋势,部分中青年人群也有较高的患病风险。当心脏出现问题,无法将血液供给到人体其它部位时,便会引发心脏病。因此,如何对心脏病进行有效的预测,做到早发现早治疗,成为当前医学领域的热门问题。值得庆幸的是,随着人工智能的成熟,研究者们开始将数据挖掘技术应用于疾病研究领域,为心脏病的预测提供了新途径。本文基于数据挖掘中的分类技术,应用相应的算法构建心脏病预测模型来进行探究,并对研究结果进行对比分析。论文主要研究内容如下:（1）基于增强逻辑回归算法的冠心病风险预测研究随着机器学习逐渐应用到心脏病预测领域中,但预测的准确率与精确率仍有待提高。因此,为了提升心脏病预测的准确性,本文提出了基于增强逻辑回归算法的冠心病患病风险预测模型,基于Ada Boost算法,将逻辑回归算法作为弱学习器进行多次迭代训练,从而完成预测模型MEB-LR（Medical Ensemble learning-Logistic Regression）的构建,将常见的单一模型与增强前后的模型进行对比验证。采用各项评价指标进行评估,结果表明,本文模型具有更高预测精度。（2）基于不完整数据的IHB-Light GBM模型心脏病预测研究由于心脏病数据往往出现不完整情况,并且目前多数超参数优化算法存在寻优效率较差的问题。为此,本文提出基于不完整数据的IHB-Light GBM（Improved Hyperband-Light Gradient Boosting Machine）心脏病预测模型。首先,在Hyperband算法超参数采样的基础上引入了权重值以提高算法的参数寻优能力;其次,使用K近邻算法对不完整数据进行缺失值插补;最后,对Light GBM采用改进后的IHB优化算法进行全局参数寻优,建立IHB-Light GBM心脏病预测模型。结果表明,IHB算法的参数寻优效果优于其它常见的优化算法并且本文模型在各项评价指标也上明显高于随机森林等算法,可以获得更快的预测速度和更高的预测精度。（3）基于CNN-LSTM的心率失常多分类算法研究针对机器学习提取图像特征过程复杂且提取能力有限,并且心电图信号存在噪声干扰等问题。本文利用小波变换对心电图信号进行降噪处理,并将处理后的心电数据采用GAN网络进行数据增强,之后提出了卷积神经网络（Convolutional neural network,CNN）与长短时记忆网络（Long Short Term Memory,LSTM）相结合的心律失常多分类模型,并采用M IT-BIH心电数据集进行实验仿真。实验结果表明,与其它方法相比,本文模型在心律失常分类中有着明显的优势,为相关医疗实验提供了有用价值。