作为高等教育质量监督和评价体系的必需成分，大学评价具深远的社会意义，可以引导学生择校，引导资金流向，促进大学竞争，吸引国人关注高等教育，等等。中国的大学评价起步较晚，目前还具有相当的不成熟性。 统计学习理论(Statistical Learning Theory)是一种专门研究有限样本下机器学习规律的理论。它不仅考虑了对推广能力的要求，而且追求在现有有限信息的条件下得到最优结果。支持向量机(Support Vector Machine)是在统计学习理论基础上发展而来的一种新的模式识别方法，在解决有限样本，非线性及高维模式识别问题中表现出许多特有的优势。 本文的工作是将支持向量机的理论和方法引入大学评价领域。为达到这个目的，在详细研究大学评价和支持向量机的最新进展和各自特点的基础上，构建了基于SVM的评价系统。 在这个过程中，本文主要解决了三个问题。问题包括：将评价问题转化为分类，多类分类，以及将分类结果转化为绝对分值。我们通过将各学校的对应数据拼接形成大向量，并定义学校之间关系的类别为“相对强”，“相对弱”以及“实力相当”，解决了将学校评价转化为分类的问题。经典的支持向量机分类算法是针对二值分类的，本文选用一对一组合方式，采用3个二值分类的分类器来完成三类分类，解决了多类分类问题。将所有学校分别与其他所有学校进行类似循环赛的两两比较，并通过对类别标签的进一步定义和相应的数据处理，完成了核心为SVM算法的评价流程。本文通过大量实验，完成了与基于Fisher的评价系统，基于PCA的评价系统的比较，验证了基于SVM的评价系统的优越性；选择了不同的核函数，构成对应的各种SVM，调整参数，选定性能最好的SVM完成系统的构建。最后，结合教育界专家的意见，本文应用基于SVM的评价系统，对指标体系进行调整，得到实验结果并初步分析，为专家们做进一步的分析提供研究依据。