自1995年Vapnik等人提出基于统计学习理论和核技术的支持向量机算法以来,基于核的机器学习方法(简称核方法)取得了迅速的发展,目前已成为人工智能和机器学习领域的研究热点之一,广泛用于图像处理、生物信息技术、文本分类和入侵检测技术等多个领域。进一步研究支持向量机,无论对核方法理论的完善和发展,还是对核方法在应用领域的进一步拓展,都具有十分重要的意义。支持向量机在一系列的应用中表现出非常优越的性能。但是,其研究仍处于初级阶段。理论研究与实际应用方面都还有许多问题需要加以解决,主要问题有:对于大规模数据集的学习如何降低支持向量机的计算复杂度,针对具体的应用领域如何构造高效的核函数等。本文主要研究支持向量机的分类与回归,包括简化支持向量机以及支持向量机在农业虫害预测预报中的应用,研究工作提高了支持向量机的分类性能,扩展了其应用范围。主要创新工作有:(1)针对支持向量机对于大规模数据集学习和决策效率低的问题,提出了基于协同聚类的支持向量机算法,有效地减少了支持向量的数量,提高了分类速度。针对多类分类问题,将协同聚类的方法进一步扩展,提出了基于协同聚类的多类支持向量机。同时,对简约支持向量机和最小二乘支持向量机进行了改进。(2)考虑到径向基函数神经网络分类问题中,基函数中心的选取是其分类性能的关键,提出了利用协同聚类选择基函数中心的方法。与采用模糊C均值选取方法相比较,提出的方法具有更好的分类性能。(3)针对大样本数据的回归估计,支持向量过多所引起的计算复杂度高的问题,提出了一种基于协同聚类的支持向量回归机。实验结果表明提出的方法可以明显减少测试时间,且回归正确率较好。(4)在介绍多镜像分类器算法的基础上,针对镜像点选取较为复杂的问题,利用协同聚类的方法代替镜像点选取,提出了一种能有效地提高训练速度的多镜像分类器算法。(5)农业信息化是我国现代农业技术的一个重要标志,虫害的预测预报工作是农业信息化重要环节,提高其预测预报水平,可以减少虫害造成的损失,增加农业经济效益。鉴于支持向量机是一种模式分类和回归分析的有力工具,我们建立了基于核方法的农业虫害预测预报模型,并将我们提出的算法应用到农业虫害预测预报中,取得了较好的效果。