支持向量机算法是基于结构风险最小化的分类方法。目前,该算法不仅在理论方面获得了很大发展,而且在很多领域得以成功应用。本文研究了支持向量机理论,针对现有支持向量机算法的缺陷,提出了新的支持向量机改进算法,并将其与关联规则相结合,运用于中医脏腑辨证。本文主要工作包括:首先研究了支持向量机算法的理论基础、基本原理及现有的支持向量机变形算法,如C-SVM系列、v-SVM系列、One-class SVM和LS-SVM等。为提出新的支持向量机改进算法奠定理论基础。分析了现有二类分类支持向量机算法的不足,提出了基于类中心和属性权重的二类分类支持向量机算法。该算法在训练前对训练集进行处理,去掉一部分不可能是支持向量的数据。使用机器学习数据库中的数据集进行仿真实验,结果发现该算法能够减少训练时间。进一步探讨了各种现有的多类分类支持向量机算法及其不足,结合前面预处理训练集的思想,提出了基于类半径的多类分类支持向量机算法。该算法在训练前分析了训练集中各类所占区域的大小并进行排序,再使用one-class SVM进行分类。使用机器学习数据库中的数据集进行仿真实验,结果表明该算法的分类精度较高而且可以节省训练时间。最后,根据中医脏腑辨证的过程和特点,提出了一种基于关联规则的约简算法,并将其与新提出的基于类半径的多类分类支持向量机算法相结合,从而产生了一种新算法。该算法找出了症状到证候的关联规则,并用其对中医专家的大量医案数据中的脏腑类症状群进行约简,剔除那些与病人证候无直接关系的症状,保留直接反映证候特征的症状;其次,用基于类半径的多类分类支持向量机算法对约简后的脏腑类病例进行分类,所得辨证结果与原始医案数据中专家的相应辨证结果具有较高的吻合度。这说明把支持向量机算法等数据挖掘技术应用于中医辨证施治是一种极具使用价值的尝试。