心脏病是全球头号死因,在中国,每年死于心脏病的人数超过4百万,心脏病居城乡居民总死亡原因首位,心脏病的严重不良后果引发了世界范围内对心脏病临床管理和诊断问题的广泛关注,基于和心脏病风险因子相关的临床记录数据,多种统计方法和模型被开发并用于准确预测心脏病的发生。然而,已存在的心脏病预测模型,在预测速度以及精度方面并没有达到我们的预期效果。根据近年研究结果表明,混合算法在心脏病预测方面表现出了良好的效果,而且在预测速度以及预测精度方面都有显著提高。因此,我们从混合模型的角度出发,提出了一种新的算法,用于提高模型预测速度与准确度。首先,我们利用稀疏主成分分析对数据进行了降维处理,然后,将稀疏主成分得分作为反向传播神经网络的输入值,再由反向传播神经网络进行训练,由此将稀疏主成分分析与反向传播神经网络结合起来,提出新的算法——SPCA-BP算法。为了测试该算法在心脏病诊断方面的预测效果,在本文中我们对来自克利夫兰医学中心的心脏病临床数据进行了分析。考虑疾病预测研究问题的概率特征,我们完成了从逻辑回归到神经网络的转化,结合本文算法完成了分析。同时我们还将SPCA-BP算法应用于COX比例风险模型中,计算了模型预测的准确率。作为对比,我们还对数据进行了Logistic回归分析。结果表明,我们的算法在预测诊断方面效果最好。