与传统统计学理论不同,统计学习理论主要针对小样本统计问题,其不仅考虑到了渐近性能的要求,并且在有限信息的条件下亦可得到最优结构。基于这一理论的支持向量机算法建立在VC理论和结构风险最小化原理基础上,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。然而,作为机器学习领域中相对较新的理论,支持向量机很多方面还处于不断发展完善之中。本课题对支持向量机分类算法进行了深入研究(包括核函数选取,参数优化,性能评估等方面)。概括地讲,本文的主要研究内容、研究成果如下：1.从理论上对多项式核函数和高斯径向基核函数进行了研究,并从概率统计角度出发,通过样本的线性可分度和线性密集度定量分析核函数对决策函数的影响,给出一种核函数性能评价方法,最后通过实验验证了该方法的有效性。2.在对传统经典多类分类算法研究的前提下,提出一种改进的基于二叉决策树的SVM多类分类算法IBDT-SVM,该算法采用K-近邻算法裁剪训练集,通过引入遗传算法构造最优或近最优二叉决策树,并通过实验证明该算法在分类准确率,分类速度上表现出一定的优越性。3.应用多分类算法,对解决传统进化计算无法利用先验知识求解相似特征的目标函数的问题进行初步探索研究,提出一种“函数簇权重模型”以解决函数集的特征量化问题。