随着“互联网+”时代的医疗信息化迅速崛起,尤其是在大数据背景下医院每天都产生成千上万的医疗病理数据。目前研究学者对病理数据的采集及简单处理的能力越来越熟练,但是对于数据的分析及重要知识提取方面的研究才刚刚起步,因此数据挖掘(Data Mining,DM)技术在医学领域中发挥着日益重要的作用。分类算法是数据挖掘中的重要学习方法,也是一种无监督的学习方式。通过对已知类别的训练集样本进行学习、分析,从中发现样本数据自身固有的分类规律和规则,用来预测未知样本的类别。本文针对医疗病理数据辅助诊断的相关研究问题,采用人工神经网络(Artificial Neural Network,ANN)作为数据挖掘中的分类算法挖掘病理数据之间的联动性,提出了一种将主元分析方法(Principal Components Analysis,PCA)、粒子群算法(Particle Swarm Optimization,PSO)和核极限学习机(Kernel Extreme Learning Machine,KELM)算法相结合的病理数据分析模型。该模型能够辅助医生为患者提供一个具有高度科学性、针对性及有效性的防疗措施。主要研究工作如下:1.详细阐述了目前主流的几种人工神经网络算法、相关分类算法以及各算法所存在的优缺点,优选出以SVM算法与ELM算法作为主要研究重点。2.针对SVM和ELM两种算法所存在的局限性,将SVM中的核函数概念引入到ELM神经网络的模型框架中,形成了 KELM模型。同时,为了能够得到稳定的KELM模型参数,利用高效率的PSO算法来优化KELM中的惩罚参数和核函数参数,最终得到了PSO-KELM 模型。3.为了提高PSO-KELM算法的收敛速度,将PCA和PSO-KELM相结合,对输入数据进行降维处理,得到了一种新型模型PCA-PSO-KELM;并使用乳腺癌与冠心病的医疗数据对该模型进行仿真与验证,同时将实验结果与基于学习向量量化(Learning Vector Quantization,LVQ)、SVM及KELM神经网络算法的结果进行对比与分析,得出了本文新提出的算法在病理数据的辅助诊断方面具有收敛速度快、准确率高等优点。