货币识别是一个小样本、非线性利高维模式识别问题，是当前模式识别中的难题之一，只有重要研究意义和实用价值。 本文主要研究了统计学习理论中支持向量机的二次优化算法和多值分类，并将支持向量机应用于货币的机器识别中。 介绍了统计学习理论和支持向量机方法，研究分析了机器学习方法中存在的模型选择、过学习、非线性、维数灾难和局部极小点等问题。 支持向量机二次优化算法主要包括块算法、固定样本集法和次序最小优化算法。其中次序最小优化算法以解析的方法处理优化问题，训练速度较快，识别率较高。次序最小优化算法优化标准的单一阈值容易错判优化条件，从而导致花费大量时间寻找第二个优化样本。本文在优化标准中增没上下界两个阈值来判断优化条件，避免了原西安理工大学硕士学位论文算法单一闹值判决的这个缺点，加快了训练速度，提高了识别率。 分析比较了现有支持向量机多值分类算法中的一对一、一对多和有向无环图算法，分析表明有向无环图相对于其它两种算法，不仅速度快，而且识别率也较高。 将次序最小优化改进算法和有向无环图算法构建的支持向量机用于货币识别，充分发抨了支持向量机解决小样本、非线性和高维模式识别问题的优点。支持向量机实验结果表明，与相关系数法和简单的BP神经网络相比，这种支持向量机货币识别方法具有较高的识别率，具有较强的应用价值。