根据心电图进行病症识别是临床决策的常见技术,一般是有监督学习问题,构建表现良好的病症识别模型需要充足的高质量标注的数据。实际中常不能满足这一条件,只能提供部分标注达标的数据,使用这些少量的标注达标数据构建的模型往往性能较差,无法满足临床诊断需要。针对有限样本条件下的心电病症识别问题,本文提出了两种解决方法:基于迁移学习的病症识别方法和基于因果关系的病症标签修正方法,具体的工作包括:1.针对病症识别任务中高质量标注数据匮乏的问题,提出了一种基于迁移学习的病症识别方法,有效利用了标注质量较高的人工标注数据和标注质量较低的弱标签数据,从数据扩充的角度来解决有限样本条件下的病症识别问题。该方法将人工标注数据作为目标域,弱标签数据作为源域,接着使用特征迁移算法将两个域的数据映射到同一空间,使得两个域的特征分布接近,最后使用实例迁移算法来完成数据扩充和模型构建。此方法不仅缓解了高质量标注数据不足的问题,而且也对数据不平衡的问题进行了有效处理。2.鉴于病症识别问题属于多标签问题,标签之间存在一定的关联性,提出了一种基于因果关系的病症标签修正方法。因果关系是一种揭示事物内在关联的知识,知识不会因为数据量的多寡而发生改变,代表了事物的本质信息。从病症间的本质联系入手,减缓模型构建过程中对数据量的依赖,能够有效地解决有限样本条件下的病症识别问题。提出方法的具体步骤为:首先将病症的识别结果划分为锚点集和候选集,接着对锚点集中的病症进行相关性分析,将相关性较高但并不属于锚点集和候选集的病症加入候选集中,然后使用MMHC（MaxMin Hill-Climbing）算法挖掘病症之间的关联关系,构建结构因果模型,最后借助结构因果模型完成病症标签的修正工作。主要贡献在于:一方面,提出的基于迁移学习的病症识别方法,借助弱标签数据扩充训练数据,一定程度上解决了高质量标注数据缺乏的问题,也对数据不平衡的问题进行了处理,提高了病症识别的准确性。另一方面,提出的基于因果关系的病症标签修正方法,充分利用了病症间的关联关系,降低了模型对数据量的依赖,达到了提高模型性能的效果。理论和实验结果表明了方法的有效性。