包虫病也被称作棘球蚴病,该病产生的原因是人体感染棘球蚴绦幼虫(棘球蚴)后其寄生于体内。在世界各地的牧区发现比例高,我国是发病率比较高的国家之一。该病对人类和大型牲畜健康均有严重危害,是当代全球共同的公共卫生问题。包虫病的早期诊断发现不仅能够减轻患者身体疼痛和心理负担,也能减轻后期治疗难度和成本费用。因此包虫病的早期诊断具有重要意义。目前,全世界对包虫病的诊断方式主要有临床、成像学、免疫学及血清检查及分子生物学技术等,以上的诊断方式都存在着不同的缺点与局限性。例如:传统的显微临床观察十分依赖技术人员的熟练度和鉴别能力,检出率低;成像诊断检查易忽略小的囊肿;免疫学及血清检查方法灵敏度、特异性不是很好;聚合酶链式反应(PCR)这种用于放大扩增特定的脱氧核糖核酸(DNA)片段的分子生物学技术易受到其他因素干扰,造成假阴性或假阳性的出现。针对现有包虫病诊断方法存在的不足与局限,本研究主要提出一种利用包虫病患者血清的拉曼光谱建立统计模式识别模型,不仅能够让病患容易接受、不需要手术,而且能够快速、便捷、准确的诊断包虫病。通过拉曼光谱信号特殊的波段,对数据进行相应的变换与特征提取,找出最能代表原始光谱的特征性信号,同时在最大程度上消除光谱信号中的冗余信息,从而建立的分类识别模型更加精准。本研究首先,通过对包虫病血清拉曼光谱建立基于支持向量机(SVM)结合网格搜索优化等四种分类模型,从判别准确率、灵敏度、特异性和运行效率进行对比分析,得出准确率均在75%以上,分类效果不是特别好。为了更好的提高包虫病拉曼光谱判别的准确性,提出了一种核主成分分析(KPCA)与SVM相结合的拉曼光谱判别模型。为了评估KPCA-SVM判别模型的性能,在相同的实验条件下,与PCA-SVM判别模型进行了对比。在与PCA-SVM拉曼光谱判别模型的对比中,得出了KPCA-SVM判别模型准确率更高,取得了93.75%的判别准确率,高于常用的PCA-SVM判别模型的87.5%的准确率,说明了KPCA-SVM算法结合应用具有一定的优越性,能够较为准确地将健康人与包虫病患者分类。