支持向量机(Support Vector Machines)是20世纪90年代由Vapnik等人提出的一类新型机器学习方法，它能够非常成功地处理分类和回归问题。由于支持向量机出色的学习性能，该技术已经成为机器学习界的研究热点，并在很多领域得到了成功的应用。但是，作为一种尚未成熟的新技术，支持向量机目前存在着许多局限。客观世界存在大量的模糊信息，如果支持向量机的训练集中含有噪声和模糊信息，那么支持向量机的性能将变得非常微弱甚至无能为力。本文针对存在模糊信息的样本时已有支持向量机的不足之处，提出了改进的模糊支持向量机(Fuzzy Support Vector Machine)。首先，对支持向量机的构造原理和基础理论进行分析和研究。其次，提出了相应的模糊支持向量机算法并对其进行改进。在改进的模糊支持向量机模型中，对模糊支持向量机的内部构造过程以及外部构造用数学描述方法进行了详细论述，并且以该支持向量机作为分类器，对提取出的特征进行分类和识别。最后，对该模型和已有的其他支持向量机的实验数据进行了比较分析。实验结果表明，本文提出的模糊支持向量机算法能够较好地解决含有模糊信息的样本的分类问题，比较已有的一些其他支持向量机算法能够减少样本空间大小和所需内存，提高训练和分类速度。