随着现代信息技术的快速发展,各种数据库大量出现,如何从数据库中准确的抽取有用信息成了一个迫切需要解决的问题,数据挖掘技术在这种背景下应运而生。支持向量机作为数据挖掘的一种新方法,在许多领域得到了广泛的应用。支持向量机是上世纪九十年代中期在统计学习理论基础上发展起来的一种机器学习方法,它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术。在若干挑战性的应用中,获得了目前为止最好的性能。本文主要研究了v-支持向量机中参数选取问题。v-支持向量机是一种新的支持向量机模型,与标准的支持向量机模型相比,其中的参数v有直观的含义,v的值是训练集中间隔错误样本点个数与总样本点个数之比的上界和支持向量个数与总样本点个数之比的下界。支持向量机中的参数选取是支持向量机研究中的一类重要问题,参数选取的不同,对其泛化性能影响很大。v-支持向量机中的参数选取的研究较少,本文针对v-支持向量机,建立了选取参数v的模型,并进行了数值实验。首先本文给出了一种基于平衡约束规划的v-支持向量机中参数选取模型,该模型是一个具有光滑目标函数的且带有互补约束的非线性规划问题,通过求解该问题得到v-SVM中泛化性能较好的参数v,并进行了数值实验,证明了该方法的有效性。另外,本文讨论了不均衡问题时的v-支持向量机模型,分析了数据集的不均衡性给支持向量机的泛化性能的影响,给出了一种改进的2v-SVM模型,该模型的优点是参数易于选取,数值实验结果表明该模型在处理不均衡问题时是有效的,解决了数据集的不均衡性带来的影响。