信道均衡作为一种用于数字通信系统中的抗衰落技术,被广泛应用在现代通信中。自适应均衡技术通常需要发送训练序列用以训练均衡器抽头系数,造成了一定的资源浪费。因此,不需要发送训练序列的盲均衡技术逐渐受到研究人员的青睐。近年来,随着机器学习（Machine Learning,ML）的蓬勃发展,基于机器学习理论的盲均衡方法得到了普遍的关注。在现有基于机器学习理论的盲均衡方法中,支持向量回归（Support Vector Regression,SVR）的方法因其小数据样本的全局寻优特点备受关注。然而,目前基于SVR的方法在处理线性和非线性信道盲均衡问题时,需要建立不同的回归方程,而且,均衡实值信号和复值信号时,算法的推导也不一样。在SVR的框架下,针对不同信道和不同信号盲均衡算法的描述形式比较繁琐。此外,在SVR框架下,关于复值信号通过非线性信道的盲均衡,现有文献还未见相关严谨的算法推导。为解决现有SVR盲均衡方法存在的问题,本文提出利用复支持向量回归（Complex Support Vector Regression,CSVR）和广义线性估计（Widely Linear Estimation,WLE）构造盲均衡算法,主要贡献如下:（1）重点介绍了复支持向量机（Complex Support Vector Machine,CSVM）理论,对复支持向量分类机（Complex Support Vector Classification,CSVC）和复支持向量回归机（Complex Support Vector Regression,CSVR）进行了数学描述并进行了相应的仿真实验。（2）在支持向量回归（SVR）框架下,针对复值信号,对基于迭代重加权二次规划（Iterative Reweighted Quadratic Programming,IRWQP）的SVR盲均衡算法和基于迭代重加权最小二乘（Iterative Re-Weighted Least Square,IRWLS）的SVR盲均衡算法分别在非线性信道下进行了拓展,简称为C-SVR-IRWQP算法和C-SVRIRWLS算法。算法推导表明,C-SVR-IRWQP算法和C-SVR-IRWLS算法不仅适用于非线性信道,同样适用于线性信道,完善了SVR盲均衡算法的数学描述。（3）基于复支持向量回归（CSVR）框架,提出了两种盲均衡算法,分别为基于IRWQP求解的CSVR-IRWQP算法和基于IRWLS求解的CSVR-IRWLS算法。基于CSVR的盲均衡算法具有以下优点:（1）具有统一的框架结构,数学概念更清晰,处理复值信号无需进行实数化处理,通过选择不同的核函数即可实现线性信道和非线性信道的盲均衡;（2）针对QPSK信号的仿真实验表明,无论是在线性信道还是非线性信道下,相比SVR盲均衡算法,CSVR盲均衡算法的均衡效果显著提升。