支持向量机是基于统计学习理论的一种新型机器学习方法。支持向量机具有坚实的理论基础、简洁的数学形式、直观的几何解释,而且能够较好地解决小样本、非线性、维数灾难和局部极小等问题,在诸多领域得到广泛的应用,成为人工智能和机器学习领域的研究热点。本文在分析了支持向量机相关理论的基础上,针对支持向量机模型训练和模型选择的相关问题展开讨论,主要研究了样本约简以及核函数参数选择的问题,在分析了现有算法优劣的基础上,提出了新的算法,并通过验证了新算法的可行性和有效性。本文的主要工作如下:1.提出了改进的基于相似度的二次样本约简算法。由于支持向量机的训练过程需要求解二次规划问题,样本数的多少直接影响二次规划问题的复杂度,本文通过样本约简算法在模型训练之前对样本集进行约简,缩小二次规划问题的规模,并提出用样本约简的思想来处理不平衡数据的分类问题,通过实验证实了该算法的可行性。2.提出一种快速高斯核函数参数选择算法。高斯核函数在实际中的应用十分广泛,并且选择的核参数较恰当时可以很好的将非线性问题映射到成高维特征空间中的线性问题。本文综合考虑了样本在特征空间中的距离信息以及样本的类别信息,提出一种快速高斯核函数参数选择算法,选参过程避免了支持向量机模型的训练过程,并通过实验对比证实算法的有效性。