本文首先介绍了肺癌诊断的历史及发展现状，在此基础上提出了将支持向量机（SVM)与肺癌早期诊断相结合的新思路，将机器学习应用到实际数据分类中。SVM是一种准确度高的分类器，具有很好的容错和归纳能力，能较好地解决小样本、非线性、高维等分类问题，具有很强的实用性。但在SVM的应用中，核函数、核参数和惩罚系数的选择对结果有很大的影响。本文首先引入常用安德森鸢尾花（fisheriris)数据集在多项式核函数（Polynomial)和径向基核函数(RBF)分类性能上进行直观形象的对比。再用常用的网格划分法寻找最佳参数c和g，之后为了提高分类效果，又分别用遗传算法（GA）和粒子群算法（PSO）对参数进行优化，将优化后的SVM算法用于肺癌数据集的分类中。在最后又与目前比较热门的其他分类方法：决策树C4.5算法和模糊神经网络算法进行比较，并将各种算法的分类性能在ROC空间显示。方法：以胸部CT片中提取出的21项放射学特征和5个临床参数为基础，将117例病例样本随机分为训练集和测试集，将数据归一化后用主成分分析法（PCA）对数据进行降维处理，并训练SVM网络。通过比较并利用经验，选用RBF核函数，然后先用常用的网格划分法选择合适的惩罚参数c和核参数g，用测试集测试该网络区分肺癌和非肺癌的能力。之后再分别用GA和PSO对参数进行优化，重复之前的过程，每种方法的参数选择均在K-CV意义下进行。最后将各种方法的结果进行对比，其中也包括探索算法历程中尝试过的C4.5算法和模糊神经网络算法，发现各种算法的优缺点，找到其中最合适的。结果：通过测试集输出结果对比，发现优化后的SVM网络虚警（假阳性）和漏检（假阴性）率较低，分类精度比优化前有所提高。PSO优化的SVM网络性能最好,44例测试样本中错误3例（第5例假阳性，第36例，第38例假阴性），ROC曲线下AUC值最大，GA优化次之，错误4例。基于三角型隶属度函数的模糊神经网络错误5例，基于高斯型隶属度函数的错误4例，C4.5算法在分类精度上最差。而且PSO优化计算速度较快，且对病例样本分组变化不敏感，有更好的泛化能力。因此，PSO优化的SVM网络更适用于肺癌诊断，值得进一步研究。