随着“医疗大数据”、“精准医疗”,“个体化医疗”等医学概念的提出,将互联网技术成功的应用到医疗领域,并能够快速高效的挖掘出有价值的信息是一个急需解决的问题。同时,对于患者而言,有高效疾病诊断的需求。为解决上述问题,本文将支持向量机分类技术运用到睡眠领域,对患者的睡眠质量进行分类预测,并根据医疗数据的特征提出了适合医疗数据的增量学习模型。本文首先介绍了医疗大数据的研究背景及医疗大数据的特性,在此基础上提出了一种结合模糊C-均值(FCM)算法与广义KKT(Karush-Kuhn-Tucker)条件的增量学习算法(FK-SVM),FK-SVM算法通过对历史样本点和新增样本点两个方向对数据进行筛选,历史样本点的筛选采用FCM算法,新增样本点的筛选采用广义KKT条件,缩减了训练样本数量,大大提高了算法的增量学习能力,能够在不影响正确率的情况下减少运算时间。其次,基于FK-SVM算法的理论研究,完成了实验平台的搭建,选用UCI上的两个标准数据库(Letter和Magic)作为实验数据,标准SVM算法和ISVM算法作为对比算法。实验结果表明,在全数据训练的情况下,标准SVM算法和FK-SVM算法分类准确率明显高于ISVM算法,而ISVM算法和FK-SVM算法运算时间约为标准SVM运算时间的1/4。所以,FK-SVM算法的综合性能优于标准SVM算法和经典ISVM增量学习算法,具有较强的增量学习能力。最后,将FK-SVM增量学习算法运用于互联网辅助心理治疗(Internet assisted psychotherapy, IAPS)系统中,完成系统的设计与实现。系统分为注册登录、报告分析、自我检测和放松解压四个模块。FK-SVM算法在报告分析模块中对睡眠数据进行拟合训练并实现增量学习,完成改进支持向量机算法在医学数据中的应用研究。