中医药作为中华民族特有的文化和科学遗产，对世界有着重大的贡献。但由于不同的社会背景和研究方法，中医还未得到现代医学的广泛承认，中医药的有效性和科学性还需要用实际数据来证明。面对大量的数据和数据间复杂的关系，传统的分析手段已无能为力。 数据挖掘作为一种融合了人工智能、数据库和数理统计等学科特点的新兴技术，却善于从这种大量的、复杂的数据中迅速获取新颖、有效的知识。能够弥补传统的分析方法在中医药研究方面的不足。相应地，寻找一种快速有效的数据挖掘算法就变得非常必要。支持向量机作为一种新兴的统计学习算法，以其优秀的理论基础(结构误差理论，条件二次优化理论和核空间理论)脱颖而出。 本文首先讨论了数据挖掘的基本概念，关键技术，挖掘任务，挖掘方法，基本过程以及发展状况。然后在研究了支持向量机的理论基础及基本概念和要解决的关键技术问题之后，又对当前各种比较通用的支持向量机训练算法进行了研究，比较了各种算法的优劣，尤其深入研究了Platt等人的SMO(Sequential Minimal Optimization)算法，指出这种SMO算法低效的主要原因是采用了单一的阈值参数，然后参考Keerthi等人的思想，提出了一种使用两个阈值参数的改进的SMO算法，在UCI数据集和我们的IGA肾病数据集上的试验结果表明，这种改进的SMO算法在训练速度上有一定的提高。 本文还针对中医样本数据特征多的特点，提出了一种新的方法，将粗糙集(RoughSet)应用于中医指症数据挖掘的预处理阶段，在不影响分类精度的前提下，对样本数据进行属性约简，这样经过约简以后的样本在样本训练阶段可以明显地提高训练速度。 最后给出一种以支持向量机为核心的中医指症数据挖掘方案。基本设计完成了中医指症数据挖掘原型系统。