支持向量机是近年来机器学习研究的一项重大成果，它是一种很特别的算法，特点是使用了核函数，没有局部最小，解的稀疏性，以及通过间隔或者是维数无关的量来控制容量。与传统的人工神经网络相比，支持向量机不仅结构简单，而且各种技术性能尤其是泛化能力明显提高。 统计学习领域的直推式学习是一个较新的研究领域，有关基于支持向量机的直推式学习算法的研究尚处于起步阶段。尽管当前已有一些学者提出解决此问题的一些思想，但是并没有一个理想的解决此问题的方法。在这个问题中，还包含了模型选择问题，这也是个基本而又重要的问题。模型选择取决于核函数的选择，而核选择既包括核类型的选择，也包括对核参数的选择。 就直推式学习问题本文在渐进直推式支持向量机算法的基础上结合最近邻法则，提出了一个改进的渐进直推式支持向量机算法。该算法有效地克服了渐进直推式支持向量机算法中没有充分考虑样本点之间的关联性，学习与泛化能力不强等问题。从人工例子以及实际例子的实验结果看到，该算法相对于渐进直推式支持向量机算法有更好的学习能力与泛化能力，具有现实推广意义。 通过使用改进的渐进直推式支持向量机算法，得出了基于此算法下三个基本的模型选择原则：1、径向基核函数方法优于多项式核函数方法；2、多项式参数d的取值范围应定在5到15之间；3、径向基核函数参数σ的取值范围应定在0.1到1之间。