支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,它是统计学习理论中的结构风险最小化思想在实际中的一种体现。SVM的基本思想是通过非线性变换将输入空间映射到一个高维空间,然后在这个新的空间中寻求最优分类超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。然而,支持向量机作为一种新的技术,还存在许多开放性的问题值得进一步的认真研究。特征选择是当前信息领域,尤其是模式识别领域的研究热点之一。随着人工智能、计算机技术的迅速发展和应用领域的不断拓宽,特征选择和提取方法得到了较大的发展,基于统计或机器学习的理论研究成果不断出现,其中的一些已在实际工程应用中显示出巨大的发展潜力。特征选择及分类器参数优化是提高分类器性能的两个重要方面,针对最小二乘支持向量机特征选择及参数优化问题,得出一种基于PSO的LS-SVM特征选择与参数同步优化算法,用PSO算法对特征及参数进行优化。上述算法在UCI标准数据集上进行的实验证明是可行的。针对直推式支持向量机在进行大数据分类时出现精度低、学习速度慢和回溯式学习多的问题,得出一种基于增量学习的渐进直推式支持向量机分类算法,将增量学习引入直推式支持向量机,使其在训练过程中仅保留有用样本而抛弃无用样本,从而减少学习时间,提高分类速度。实验结果表明,该算法具有较快的分类速度和较高的分类精度。最后一节论文总结主要工作并对未来工作进行展望。相信本文的工作对类似的研究具有良好的借鉴和参考价值。