支持向量机(SupportVectorMachines，简称SVMs)是模式识别领域的新方法，是基于统计学习理论的，是主要用于解决分类问题和回归问题的新工具，它已经在很多领域有了广泛的应用，如：人脸识别，心脏病诊断，经济预测等.本文就支持向量机的算法模型及其应用展开讨论. 本文的主要研究工作如下：1.核函数中的参数选择是支持向量机中的一个很重要的问题，它直接影响模型的推广能力.通过最速下降法求L00上界的极小点来确定核参数是一种新的核参数选择方法，但此方法易陷入局部最优解.本文提出一种基于混合遗传算法求解L00上界极小点的核参数选择方法.实验证明，通过该方法选择出来的核参数能够提高分类精度，具有实用性. 2.针对多分类问题提出了两种新的支持向量机多分类模型(K-LSVCR和μ-K-LSVCR). 3.首次将支持向量机方法应用到高炉煤气的模式识别问题，针对十字测温仪得到的数据并结合专家所给的意见，我们采取了先将数据聚类在进行分类的策略，通过数值实验，我们得到了较好的结果，在切实解决实际问题的同时，进一步拓广了支持向量机的应用领域.