海底底质分类研究在军用和民用上有着非常广阔的应用前景和意义，因此对大陆架及深海海底的底质类型进行研究一直是一个经典、热点课题，也是我国新一轮国土资源大调查的重要内容之一。本文将支持向量机(SVM)引入海底底质分类研究中，以期取得良好的效果。 传统的海底取样方法已逐渐被间接探测方法作取代。在各种间接探测方法中，声学方法遥测海底沉积物类型，具有工作高效、经济，取得资料连续、丰富的特点，结合一定的传统取样，为海底沉积物分类提供了一种迅速而可靠的方法。本文就是提取声学参数特征作为分类依据的。 本文将支持向量机、经验模态分解方法和AR模型相结合应用于海底底质分类中。支持向量机能够较好地解决小样本学习问题，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。对于样本集线性不可分的情况，通过事先确定的非线性映射将输入向量映射到一个高维特征空间，然后在此高维空间中构建最优超平面。具体反映在支持向量机选用的核函数，它能够避免在高维特征空间中进行复杂的运算。本文给出了线性支持向量机分类的几何模型，并对C-SVM和μ-SVM两种支持向量机分类方法进行了理论分析，同时对常用的几种支持向量机分类算法进行讨论。在海底底质回波信号分类实验中，本文首先对信号进行经验模态分解，将其分解为多个固有模态函数之和，然后对每个IMF分量建立AR模型，最后提取模型的自回归参数作为分类特征向量，并以此作为SVM分类器的输入参数。实验结果表明回波信号的高频分量中含有大量的有效信息，该方法在小样本情况下仍能准确的对海底底质进行分类。