随着社会竞争激烈,压力变大,人口老龄化程度又不断加深,心血管疾病患病率持续上升。心电图记录患者的心跳变化情况,是心血管疾病最常用的检查方法。目前对心电图进行智能诊断的难点主要在于:1)人工标识心电图数据非常耗时且成本极高,获取完整并且正确标记的充足样本十分困难;2)一个心电信号变化,常常指示多种病症出现,病症的相关性复杂,导致病症针对困难。为了解决上述问题,论文的主要研究工作如下:（1）针对标签缺失并且存在误标记的弱标签数据集,在获取的少量标记完全并且正确的标准数据集作为辅助,进行清洗,变为可用于训练的高质量数据集。第一步,首先,标准数据集针对不同标签的正负样本进行聚类,然后,根据弱标签数据到正负类簇的距离和样本的最近邻k实例集的标签相似性,去除错误标签;第二步,根据标签间的关联,挖掘类簇间的包含规则,根据该规则,向弱标签样本添加缺失的标签;第三步,进行迭代清洗,直到达到迭代结束条件。（2）针对心电图数据标签间存在的相关性,提出了改进的随机k标签项（Random k labelsets,RAKEL）算法。首先,基于贝叶斯网络,挖掘标签间的相关性,确定候选标签子集,然后,利用标签子集最优特征空间的相似性,检验候选标签子集的相关程度,保留相关程度高的标签子集,最后,对保留下来的标签子集,在其最优特征空间上进行标签幂集（Label Powerset,LP）的训练和预测。主要贡献在于:首先,针对弱标签心电图数据,提出了弱标签迭代清洗算法。改善了人工标记耗时耗力的问题,依据标准数据集将弱标签数据利用起来,丰富了训练数据集,有利于提高模型预测性能。其次,基于心电数据标签间的相关性,提出了改进的RAKEL算法。根据贝叶斯网络和最优特征空间相似性,确定标签子集,改善了RAKEL算法没有充分考虑标签间相关性和需要人工确定标签子集大小的问题。在真实和模拟数据集上的实验证明了方法的有效性。