目前,我国疾病调查研究发现,在城乡居民总死亡原因中,心血管疾病是死亡率最高的疾病,它严重危害到国民的身心健康。如何预防心血管疾病是我国医疗领域研究的一项重要内容。近些年来,受心血管疾病困扰的患者人数逐渐增多,并且在死亡原因中所占的比例也越来越大。因此,我们不仅要做到让患者及时就医治疗,而且要做到及时早期预测。随着计算机技术和大数据的发展,人们开始将数学模型用于疾病研究,通过定量分析的方法研究疾病的特征。近些年来,机器学习方法已成为疾病预测及临床治疗的研究热点,本文将机器学习应用到心血管疾病早期预防上。重点研究以神经网络算法为基础的心血管疾病模型及其优化方法。本文主要研究方法如下:（1）对传统的机器学习算法进行详细分析,考虑医疗数据的不完整性、冗余性、复杂性和高维特性,对疾病数据进行预处理,编码、降噪及不平衡数据处理方法;（2）利用神经网络算法建立心血管疾病预测模型,首先通过调参、优化模型,确定神经网络的输入层节点个数、隐藏层层数、隐藏层节点个数以及输出层节点个数后,基于Python平台下完成。编写完整的神经网络心血管疾病预测程序后,通过模型评价指标计算预测模型的平均绝对百分比误差、召回率和准确率来对模型的预测性能进行评价。在此基础上,本文选取了某三甲医院的查体数据,以21个生命体征作为影响因子,是否患心血管疾病作为输出变量,按顺序抽取原始数据中前80%的数据作为训练样本,共1524条样本,剩余的274条数据作为测试样本。训练数据样本和测试数据样本分别由两组输入矩阵和输出矩阵组成,一组输入输出矩阵用来对网络训练,而另一组输入输出矩阵对训练好的网络进行测试,建立二分类模型。实验结果表明,经过相关性分析出的5个生命体征（年龄、收缩压、高密度脂蛋白胆固醇、甘油三酯、肌酐）作为关键变量进行心血管疾病预测,得到的疾病诊断结果准确率达到80%,说明该模型对有效地判断心血管患病标志具有一定的借鉴意义。