心脑血管疾病是困扰着许多人的疾病,每年有大量的人因为心肌梗塞导致死亡,医学界对心脏疾病的治疗还需要更多的研究与实践,医学与其他学科的交叉应用在这方面发挥一定的作用,将计算机科学与医学相结合的研究是现在比较前沿的研究,尤其是计算机科学中的模式识别与医疗诊断相结合的研究已经是硕果累累,这些研究常应用于实时监测心脏状况,这对心脏保健是非常有效的。心房肥大是各种心脏疾病中重要的一种,在模式识别领域,未找到相关研究成果,由于心房肥大样本数据很少,这给模式识别的研究造成了巨大的障碍,本文针对心房肥大进行专门研究,研究了在心房肥大数据样本较少情况下的训练与识别算法。对比了样本较少情况下,不同模式分类方法的分类正确率,其中主要研究了人工神经网络和支持向量机(Support vector machine, SVM)在心房肥大识别上的应用,显示了基于统计学习模型的支持向量机在样本较少情况下的优势。另外还对支持向量机进行改进,研究了支持向量机与其他分类器融合情况下在心房肥大识别上的正确率与可信度,将支持向量机与拒绝域分类器(Rejection, R)融合的分类器SVM-R对心房肥大模式上具有较高的识别准确率与可信度。由于心电数据库的缺乏,给医学领域和人工智能领域的研究都造成了障碍,目前国内尚未形成可供研究使用的权威心电数据库,一直依赖于国外的MIT-BIH数据库、MGH/MF数据库等,本文使用的心电数据主要来自国外的权威心电数据库。