现今世界上许多信息系统产生了大量的原始数据,这些原始数据往往是具有高度不平衡、高维度、大规模以及属性值各异等特性的高不确定数据。近些年来,通过可靠的机器学习技术来进行大数据挖掘变得尤为普遍。使用一般的机器学习方法来挖掘此类高不确定数据,很难达到令人满意是效果。因此,为了挖掘出高不确定数据中更多隐藏的、有用的信息,开发出高性能的机器学习方法来处理各种高不确定数据是很有必要的。本文提出了一种混合支持向量机模型来挖掘此类高不确定数据,其结构包括预处理、建立模型和参数优化三部分。数据预处理包括归一化和数据重采样,旨在根据先验知识使数据平滑。本文在重采样基础上,通过选择重复采样的次数,使得样本更加平滑,进一步提高分类器的性能。建立的算法模型为支持向量机(SupportVectorMachine,SVM)模型,它是一种基于结构风险最小化原则的方法,能够很好地处理高维数据,并且具有良好的泛化能力,但是只适合小样本数据,因此本文提出一种针对SVM的处理大规模数据的方法,以提高混合模型对大规模数据的处理能力。本文采用遗传算法(Genetic Algorithm,GA)、最基本粒子群优化法(Particle Swarm Optimization,PSO)和网格搜索算法(Grid Search,GS)三种优化方法来优化模型的参数以提升混合模型的性能。全文通过数据预处理、建立模型和参数优化三个阶段选择不同的方法或算法,形成多种混合支持向量机模型,并在所有的混合模型型中经过一定的策略选出最优混合支持向量机模型,该模型能够很好的处理高不确定数据。最后将其应用于医疗数据库中的ECG数据集,并与其它方法对比,验证其优越性。