支持向量机(SVM)是基于统计学习理论基础上发展起来的一种新的机器学习方法，它将机器学习问题转化为最优化问题，并应用最优化理论构造算法来解决实际问题，近年来被成功应用在模式识别、数据挖掘等各个领域。 鉴于SVM坚实的理论基础和它在很多领域表现出的良好推广性能，目前已成为国内外研究的热点，主要集中在对它本身性质的研究及其应用两个方面。 本文的工作如下： 1.在现实世界中数据集常常受到噪声和野值的影响，本文采用类中心支持向量机(CSVM)的思想，利用类中心建构分划超平面，提出了一种新的支持向量回归机一类中心支持向量回归机(CSVR)。数值试验表明，针对受到噪声和野值干扰的数据集，CSVR可以有效地减少噪声的干扰，预测性能优于标准支持向量回归机(SVR)。 2.金融时间序列本质上具有噪声性，动态性和随机性等特点，本文在CSVR的基础上，提出了加权类中心支持向量回归机(W-CSVR)。数值试验表明，此时W-CSVR的预测性能优于CSVR。 3.经济增长率预测问题属于金融时间序列预测问题，本文选取与中国经济增长率相关的13个变量，使用因子分析法将变量综合为三个不相关的因子；由于支持向量机的诸多优点，本文使用W-CSVR对中国经济增长率进行预测，结果显示了较好的预测效果。