心脏病是一种十分常见的高发性疾病,主要的疾病类型有风湿性心脏病、先天性心脏病、高血压心脏病、心肌炎、冠心病等,心脏病已经成为导致人类死亡的主要因素之一。现在心脏病的病发率普遍的年轻化趋势不由得引起医学研究的重视。由于心脏病的病理种类十分繁多、影响其变化因素也是多种多样,如何能提高心脏病的医疗诊断,并对其进行更早的干预与治疗是急需解决的问题。随着心脏病医疗诊断系统的研究越来越受到各界人士的广泛关注,对于心脏病的研究也成为各个学科交叉研究的热门研究领域。通过对各方面的资料了解,基于数据挖机技术的数据挖掘算法中的分类算法对于心脏病医疗诊断系统的研究众多,主要集中在神经网络算法、支持向量机算法等。论文在这两种算法的基础上增加了决策树算法与其相对比,参考三种经典分类算法的优劣,提出优化的分类算法Co-Svm。基于在数据挖掘算法建立心脏病诊断分类器,旨在心脏病诊断问题上,探究这四种算法究竟哪一种更加适用,并进行优化。对心脏病的病因、影响因素及获取的数据进行简要的说明,由此可知数据的准确性与科学性,进一步提升了创建心脏病临床诊断模型的真实性与可靠性。进行数字化的数据信息处理、针对四种不同数据的有效挖掘、拓展参数计算的方式和现代化的集成方式有效获取的分类方法,通过权威的临床医学的有效评估甄选出最佳疗效的心脏病临床诊断分类工具。本论文中所用的到的实验验证的数据源是加州大学-欧文分校(University of Californialrvine)的机器学习数据库中的Heart Disease心脏病临床数据集,分别对决策树算法、神经网络算法、支持向量机算法和Co-SVM算法建立心脏病诊断分类器,通过实验对比分析,根据所得结果对比选择出最优的分类算法Co-SVM算法。实验结果显示所提出的Co-SVM算法相对于其他三种经典算法有更高的准确率,并且通过算法多种的评估结果验证了Co-SVM算法的有效性。通过对Co-SVM算法在医疗诊断系统中应用,有助于辅助医生对病情进行更加准确、精准的诊断。