研究背景胸痛三联征在临床上有相似的胸痛症状,均为急症重症,误诊率居高。近年来,数据分类技术广泛应用于疾病的诊断分析,效果显著;主要方法有决策树、人工神经网络、支持向量机等;其中,支持向量机在处理高维小样本数据集时性能优良。但传统分类方法解决非平衡数据分类问题效果欠佳,因此,基于混合特征选择的胸痛三联征计算机辅助诊断能辅助医生快速准确下诊断结果,制定合理的治疗策略。研究目的以主动脉夹层、肺栓塞、急性心肌梗死患者的病史资料及检验报告为研究对象,将CS-SVM与混合特征选择方法应用于胸痛三联征的分类诊断,以实现保证分类正确率的同时降低时间复杂度,为胸痛三联征的临床诊疗提供参考指引。研究方法在支持向量机与特征选择的基础上,提出了CS-SVM与混合特征选择分别应用于胸痛三联征的分类研究。其中CS-SVM应用于胸痛三联征的分类识别,混合特征选择应用于胸痛三联征数据集的降维,并采用分类正确率与时间复杂度对其效果进行评价。研究结果针对CS-SVM应用于胸痛三联征的分类研究,分别基于平衡数据集与非平衡数据集进行实验。基于平衡数据集时,采用经典SVM与CS-SVM的对比实验验证CS-SVM的优势;基于非平衡数据集时,采用经典SVM、PSO-SVM、GA-SVM与CS-SVM的对比实验验证CS-SVM的分类效果,并采用五折交叉与随机抽样保证实验的合理性与科学性。实验结果表明,CS-SVM在分类正确率上相比其他分类算法均有不同程度的提高,五折交叉正确率较稳定,时间复杂度低。针对混合特征选择应用于胸痛三联征数据集的降维,分别基于公开数据集与本研究数据集进行实验。即CS-SVM的分类正确率与混合特征选择后的分类正确率进行对比;实验结果显示,基于公开数据集,混合特征选择后的分类正确率大幅提升,时间复杂度大幅降低;基于本研究数据集,五折交叉正确率均有所提升,时间复杂度大幅降低。实验结果表明,混合特征选择方法能获取更少的、与分类相关的特征,获取更优的分类效果。