近年来,支持向量机的理论已经取得重大进展,算法实现策略以及实际应用也发展迅速。本文以国家重大科学工程LAMOST项目为背景,针对基于支持向量机的分类方法进行了研究,为实现恒星光谱数据的多类分类问题,提出了层次型聚类支持向量机方法。本文所做的工作主要是:首先,通过对训练支持向量机的优化算法的研究,提出了一种结合块算法的序贯最小优化算法动态块SMO。该算法利用块算法思想,将训练集划划分成两部分,一部分为工作集,SMO在其上进行优化,根据优化结果,从剩余样本中选择样本数据组成新的工作集。实验验证了该算法能够进一步降低优化时间。其次,对已提出的支持向量多类分类器的实现方法进行研究,提出了层次型聚类支持向量机多类分类器方法。该方法采用聚类分析的方法对训练集进行分解,即对类别进行聚类分析,构造出层次型结构,然后再进行分类器的训练。该方法采用分解策略,将原问题分解为一系列两类分类问题,降低了训练规模,提高了训练速度。同时,最终的多类分类器中包含较少的子分类器,提高了分类速度。最后,以VC++和Oracle9i为开发工具,设计与实现了面向LAMOST的恒星光谱数据支持向量机分类系统,给出了其软件体系结构和模块功能。系统运行结果表明,利用该系统分类未来恒星光谱数据是可行的。