分类器是模式识别系统的重要组成部分 也是机器学习的重要研究领域。支持向量机(Support Vector Machine)是一种新的分类器，由于能够较好的解决小样本学习问题并具有较强的泛化能力，使其迅速成为目前模式识别领域的研究热点。本文主要研究对象是KNN和SVM两种分类方法。一方面进一步揭示SVM的分类机理，针对其在应用中的一些限制提出和KNN相结合的改进算法KNN—SVM，拓广了SVM的应用范围。另一方面运用K近邻法(K Nearest Neighbor)、SVM和KNN—SVM对心电图信号进行分类，并对分类结果进行比较研究。本文的研究工作主要包括以下几方面： 1、一种适合心电图特点的数据训练方式 根据心电图数据有八个导联且反映心电向量在不同方向上的情况的特点，发现一种不同以往的对训练样本进行运用的方法：对所有心电图按照导联分段划分，样本集每次只取对应的一个导联进行训练和测试。八个导联一一学习，这样得到八个输出值，然后对每个测试样本综合八个导联的判断值，由多数的判断值来决定最终的分类结果。我们把上述这种方法称作“八个导联并联的学习方式”。以往常见的方式有：把每个心电图的八个导联串联作为样本进行学习；或只挑取一个导联作为样本进行学习。实验表明，使用八个导联并联的学习方式比其它两种学习方式，无论是用KNN还是SVM分类器，在提高正确率和降低对参数的敏感性方面都非常明显。究其原因，跟串联方式相比，我们把样本在特征空间的维数从344维降低到43维；跟只取一个导联作为样本的方式相比，我们充分利用了所有的医学特征，并且分散了只依靠一个导联作决定的风险和错误因素，结果证明这是一个值得运用的数据处理方式。 2、KNN-SVM分类器算法研究； 支持向量机利用靠近边界的少数向量构造一个最优分类超平面。在训练分类器时，SVM的着眼点在于两类的交界部分，那些混杂在另一类中的点往往无助于提高分类器的性能，反而会大大增加训练器的负担，同时它们的存在还可能造成过学习，使泛化能力减弱，为了改善支持向量机的泛化能力，本文提出了一种改进的分类器算法——KNN-SVM：它先对训练集进行修剪，根据每个样本与其最近邻的K个(K nearest neighbor)类标的异同决定其取舍，然后再用SVM训练得到分类超平面。实验表明，KNN-SVM相比SVM在分类正确率，分类速度以及适用的样本规模上都表现出了一定的优越性。