近些年，随着医疗事业改革的发展，我国在大型医院信息化、数字化方面有了较好的发展机会。目前“看病难，看病贵”的问题，很重要的一个原因是，医疗行业信息系统各自为营、运营成本高昂、可扩展性差、维护困难、数据共享难以实现。大量宝贵的病例信息，并未得到充分的挖掘和使用。随着经济的发展和文化水平的提高，人们对医疗服务的期望越来越高。研究如何提高医疗服务水平，对改善目前我国医疗现状来说有很重要的意义。支持向量机（Support Vector Machine）是一种基于统计理论的新型机器学习方法。这种方法表现出很多优于现有其他方法的性能，被认为是目前针对较小样本集分类回归等问题最佳理论。云计算（Cloud Computing）是一种顺应数据量激增而催生的新兴计算模型，支持大规模数据并行处理是它的优势。本文将对我国医疗信息化现状、增量式支持向量机、云计算等理论做一些介绍，分析并改进现有增量式支持向量机算法，建立引入云计算的增量式支持向量机模型。该模型利用云计算解决大规模数据的优势，来解决支持向量机只能计算小样本问题的缺陷。并将此模型应用于Graves病例数据的分类分析，取得较好的效果。本文将做以下研究工作：一、提出基于内部矩的增量式支持向量机算法，减少增量式支持向量机训练时间，提高预测精度。二、将支持向量机与云计算平台结合起来建立引入云计算的支持向量机模型。并将该算法与传统增量式支持向量机算法进行比较分析，研究该模型的优势。从UCI数据集中选择一个较大数据，在时间消耗和效率上测试S-SVMCC和M-SVMCC两种算法的性能。得出S-SVMCC算法不但运算速度快，而且预测精度高。三、根据医疗病例数据增量式增长的特点，选择S-SVMCC算法。将该算法应用于对Graves病例的辅助诊断，得到较好的效果。