心脏病在全球范围内发病率极高,是威胁人类生命安全的“头号杀手”。在传统的医疗行业中,医生只能凭借知识储备和自己积累的经验,对患者的病情进行诊断。为了降低由于中小型医院医生经验不足而可能导致误判的风险,可以借助机器学习的分类算法辅助医生对患者的病情进行判断。分类模型以医疗大数据作为支撑,结合患者的检查数据进行全面综合的分析后,可以对患者是否患病等状态做出相应的判断。虽然机器学习的分类算法可以达到较高的分类准确率,但并不能完全取代医生的作用。医生可以把机器学习给出的分类结果作为参考意见,结合自身的经验为患者做出更加准确的诊疗判断。利用医疗系统的海量数据,融合机器学习等人工智能技术,构建辅助医疗决策系统,是推行智慧医疗的关键步骤,可以借此为医疗领域带来创新与变革。本文的研究目的是通过一系列算法优化与模型改进,构建出分类准确率较高、泛化能力较强的心脏病诊断模型。主要研究的内容如下所示:（1）针对RBF核支持向量机的分类水平很大程度上受限于参数选择的问题,使用差分进化算法代替传统的网格搜索法来寻找适配该模型的参数组合。把参数解空间从离散域扩大到连续域后确实可以找到更加适配该模型的参数组合,使得分类模型有着更好的表现。（2）针对进化算法受限于收敛速度以及种群规模的影响,可能会出现陷于局部最优解的情况。为了在更大的连续解空间中找到全局最优解的同时不会产生过多的时间开销,通过引入突变算子来改变突变策略,在前期尽可能保持种群多样性,有利于对解空间进行充分搜索。并且根据每一代的种群特点动态的调整缩放因子F和交叉概率CR来平衡全局最优解和收敛速度的问题。并通过实验证明改进的差分进化算法优化的RBF核支持向量机分类模型确实在分类准确率和AUC值等一系列评价指标上有进一步的提升。（3）为了使模型具有自演进功能,通过爬取大量的医学文献经过人工筛选判断后将相关属性添加到数据集中来模拟模型的自演进过程。通过模型自演进模拟实验可以证明,随着业界医学知识扩充与心脏检查设备的更新,我们可以借鉴其结论对数据集进行维度扩充,通过重新构建及训练模型来完成心脏病分类模型的自演进功能,提升模型对病情的分类及判断能力。实验结果表明,对数据集进行预处理工作后,使用改进的差分进化算法优化的RBF核支持向量机在心脏病分类及诊断上具有良好的表现水平和泛化能力。