近年来，随着医学技术的发展和医疗信息化技术的日益普及，特别是随着医院各种电子诊疗设备的广泛引入，使得医疗数据越来越多，且呈现急剧增长的趋势，标志着医疗数据已经进入了一个大数据的时代。如何利用信息技术从这些数据中发现有用的或未知的信息，为医生提供辅助医疗诊断已经成为目前研究的一个重要方向。SVM作为一种良好的数据分类方法，可用于基于特征值的病理分类，然而在其建模过程中存在诸多人工因素干预，如核函数选取、常量参数确定等。本文将以乳腺肿瘤数据为应用背景，就SVM分类模型的建模过程以及核函数选择、参数寻找等方面展开研究，本文主要包括如下内容：（1）分析了目前常用的SVM、BP神经网络、决策树等方法的分类原理，介绍了粒子群算法进行参数寻优的机制，以及核参数的相关理论。（2）研究了SVM模型的建模过程，建立了对乳腺肿瘤进行分类的优化模型。针对数据集的归一化问题进行了探讨，分析了数据归一化对分类结果的影响。讨论了核函数的选择问题，验证了径向基核函数具有明显的分类效果。对于模型的参数C和g的选择，采用了一种逐步精细化的二次寻优方法，第一次从粗略的参数范围入手，第二次在精细的范围内找到相对优化的参数。实际测试结果表明，建立的模型具有很好的分类准确率。（3）对利用粒子群算法优化SVM模型参数进行了研究。分析了传统粒子群算法对SVM的惩罚参数C和核参数g进行寻优的方法，针对传统算法学习因子采用经验值，介绍了一种动态修改学习因子的改进算法。通过实验对这两种方法的分类效果进行比较，结果表明用动态修改学习因子的粒子群算法寻优的分类模型具有运行时间较短的优势。