统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，它不仅考虑了对推广能力的要求，而且追求在现有有限信息的条件下得到最优结果。支持向量机是在统计学习理论的基础上发展而来的一种新的模式识别方法，在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。 本文的工作是以说话人识别为背景研究支持向量机的理论和方法。说话人识别属于生物识别技术的一种，是一项根据语音波形中反映的说话人生理和行为特征的语音参数，自动鉴别说话人身份的技术。为了达到这个目的，我们在详细研究支持向量机的最新进展和说话人识别的主要特点的基础上，围绕三个问题对支持向量机的理论和方法进行了较为深入的研究。 本文的第一个工作是研究了支持向量机的多类分类算法。痉典的支持向量机分类算法是针对二类分类的，对于多类分类，研究者们先后提出了一对多组合和一对一组合的方法。本文从两个角度对各个分类器的综合进行优化：其一是建立全局目标函数，将所有的分类目标函数综合起来；其二是利用决策树的方法，将分类器分布在各个节点上。 本文的第二个工作是针对开集说话人辨认问题，提出了支持向量区域描述算法。支持向量区域描述算法的主要思想是建立一个超球，包含所有同类点，目标函数使球半径尽量小，并且球内包含尽量多的同类点。我们进一步将该算法推广到多类分类问题上，建立了在开集背景下，进行说话人辨认的理论基础。 本文的第三个工作是结合支持向量机和隐马尔可夫模型、高斯混合模型各自的优点，建立混合模型。在说话人识别问题上，虽然原有的马尔可夫模型和高斯混合模型具有良好的时间规整能力，但是，受极大似然准则的限制，他们的类别区分能力较弱。支持向量机以结构风险最小化为准则，具有很强的类别区分能力。本文将支持向量机与这两种模型相结合，并取得了较好的实验结果。