随着计算机技术的不断发展,用智能算法处理大数据已经成为了一种必然的趋势。支持向量机是一种被广泛应用的智能算法,因为其具有优秀的泛化能力,小样本决策能力和处理非线性数据的能力。统计学习理论的优势在于以小样本为研究对象时效果极佳,而支持向量机则是统计学习理论经过发展和延伸所得到的产物,一种学习机器。最近几年,支持向量机发展迅速,并且产生了例如LS-SVM、LIB-SVM等算法。这些新算法使支持向量机的应用范围更加广阔,例如时间序列建模、前馈控制、优化控制等。同时,一些智能控制算法存在着一些缺点和不足,如神经网络智能控制算法存在算法可能不收敛、局部最优化导致解的不唯一、结构较难选取等问题。相比之下,支持向量机具有泛化能力好,非线性建模能力强等特点,适合处理大时延和非线性系统的问题。当然支持向量机也存在着一定的不足,希望在不久的将来可以变得更加完美。生物医学数据是非线性且十分复杂的数据。采用合适的算法对该数据进行准确分类,从而辅助医生对病人的病情做出正确的判断是十分必要的。由于生物医学数据的维数较高,从而本文用支持向量机结合主成分分析和递归特征消除的方法来对生物医学数据进行分类。本文首先介绍了支持向量机、主成分分析以及递归特征消除方法的基本理论并介绍了其建模方法。对于维数十分高的生物医学数据,本文采用主成分分析对其进行预处理,使其维数降低以提高支持向量机的分类准确率。另外,递归特征消除法是本文采用的另外一种降维方法,对该数据进行预处理。其效果与主成分分析相当。上述的两种方法都能有效的提取高维数据中最为主要的几个变量,使得支持向量机在后续对其分类时计算量减小、计算时间缩短以及准确率提高。本文最后用上述的三种方法对生物医学数据进行仿真并对其结果进行分析比较。其结果证明,对于生物医疗数据支持向量机是一种十分有效的分类方法。