近年来,机器学习算法一直受到学者广泛的关注,并且得到了各个领域的应用。同时信息融合方法在近十几年也得到了大量的实际应用。那么,将这两种方法结合起来,互相弥补缺陷而保持各自的优点对于智能方法理论的研究就可以更进一步。支持向量机是当前应用最为广泛的机器学习算法之一,它以Vapnik的统计学习理论为基础,其中VC维理论和结构风险最小化原则是支持向量机理论基础的核心。支持向量机具有良好的泛化能力,适用于小样本问题,并且能够避免局部最优解,所以能够很好的应用于许多分类和回归问题中。支持向量机的实现中最重要的就是它的训练算法,当前有多种训练算法,而最常用的就是序贯最小优化算法。原始的支持向量机只能解决二类分类问题,然而现实生活中的问题往往需要多类分类,所以学者们提出了几种用于建立多类支持向量机的方法。为了适应更多的应用需求,研究者们还提出了一些建立支持向量机概率输出的方法。信息融合技术已经被提出多年,而近几年对它的研究和应用开始十分广泛,因此信息融合的方法也非常多。其中最常用的包括贝叶斯推理和DS证据理论。贝叶斯推理以概率论为理论基础,已经成功应用于多个领域。DS证据理论可以很好的解决不确定性问题,而且可以看作是贝叶斯推理的推广,在实际应用中也体现了良好的性能。本文的研究目的就是为了将支持向量机与信息融合方法相结合,从而使这两种技术互相取长补短,从而更好的解决分类问题。本文通过对支持向量机以及几种信息融合方法的研究,将两者相结合,提出了几种基于支持向量机的信息融合策略,包括最大和策略、贝叶斯推理策略、DS证据推理策略以及两层支持向量机策略。在分析了这几种融合策略的理论可行性之后,本文使用libSVM作为支持向量机的源代码来实现上述四种信息融合策略。同时用实现的方法进行了大量的实验。通过观察分析实验结果可以发现,本文提出的几种基于支持向量机的信息融合策略具有较好的提高分类的效果。同时这些融合策略最大的特点是可以处理小样本分类问题,特别是使用DS证据理论作为信息融合的方法。支持向量机使用于处理小样本问题,DS证据理论适用于不确定性问题的处理,这两点众所周知。所以,实验结果充分证明了这两点理论的正确性。这也更进一步说明本文提出的基于支持向量机的信息融合策略适用于小样本分类问题。