移动Agent是一个能在异构网络中自主地从一台主机迁移到另一台主机，并可与其他Agent或资源交互的程序，它除了具有智能Agent的最基本特性—自治性、反应性、主动性和交互性外，还具有移动性。移动Agent的迁移机制和迁移策略是移动Agent的核心技术之一，迁移策略的优劣直接影响MA的性能乃至其任务的完成。 支持向量机(SVM)是一种建立在统计学习理论基础之上的机器学习方法，它是从线性可分情况下的最优分类面发展而来的，是结构风险最小化原理的近似实现。相对于传统学习理论，SVM具有更严格的理论和数学基础，不存在局部最小问题且具有更好的泛化能力。 多数系统在规划移动Agent迁移路由时只考虑了软件资源(任务语义)，而忽略了网络传输资源和主机处理资源等硬件资源的影响，更没有考虑移动Agent以往的旅行经验，这显然是不全面的。本文在参考现有移动Agent规范和已有模型的基础上，提出了基于支持向量机的移动Agent智能迁移策略，并给出了相应的模型。在模型设计过程中对Concordia的旅行表进行了改进，创建了链式结构的旅行表。在此基础上，将支持向量机引入移动Agent的智能决策模型中，并根据智能决策的需要对传统Agent模型进行了改进。同时，本文提出了一种可以从较少的旅行经验中获取更多知识的方法，使Agent在执行较少的次数后就可以得到良好的学习效果，提高了该模型的实用性。文章最后对该迁移策略进行了仿真试验，从仿真结果中可以看出，尽管基于支持向量机的智能迁移策略在选择迁移目的时不能完全达到全局最优的结果，但是该策略能够以较大的概率得到最优的结果，从而验证了算法的有效性和可行性。