传统支持向量机(SVM)是通过一个凸二次规划求解的,并有较好的泛化能力,已经在生物信息学、人脸识别、指纹识别、手写体识别、数据库学习与身份验证等领域得到了较好的应用。以统计学理论为基础,本文重点研究了支持向量机核函数的构造、支持向量机快速训练算法、支持向量机训练集剪辑技术等内容。本文所做的主要工作如下:1.设计了一个泛化能力与学习能力折中的混合核函数Kop。与传统RBF核相比,基于Kop下的SVM,其支持向量个数少、分类性能好。2.提出了一种新的支持向量分类算法----ACNN-SVM,主要为了解决NN-SVM算法并不能保证在训练集上找到最少需要的原型样本点集的缺陷。3.求解两个权向量,无需求解超平面的具体形式,针对GEPSVM可能存在奇异性问题,提出了权向量多平面支持向量机WMPSVM。该方法不仅可以纠正某些情况下GEPSVM错分问题,而且避免了GEPSVM奇异性问题。4.将类内散度的思想融合到PSVM分类器设计中,提出了PPSVM。该方法保证了较优的分类精度和好的学习速度。然后,对PSVM优化问题中的约束条件进行修正,提出了FPSVM算法。由于训练过程中避免了一些矩阵的相乘及矩阵本身计算代价,故能提高PSVM的学习速度。