支持向量机对分类问题的有效解决能力,吸引力了大量科研工作者的关注.对支持向量分类器模型的应用改进,成为了新的研究方向和关注领域.由于分类问题样本数据集存在线性不可分和多分类的特点,通过核技巧解决样本空间线性不可分的问题,又使得支持向量模型在参数选取中产生较大的困难.核函数和对应参数的选择决定了支持向量机分类性能.本文主要内容如下:首先,在详细阐述了支持向量分类器的发展过程和国内外研究的基础上,分析了不同的支持向量分类器模型所适用分类问题的数据结构.研究了多分类模型的评价指标.其次,在分析和讨论网格搜索法,粒子群优化算法,遗传优化算法的基础上.提出了基于网格搜索法的改进的粒子群优化算法.并将优化过的多项式核支持向量机模型,应用到种子分类问题中.通过实验对比数据预处理后的种子数据集,多项式核支持向量机分类模型,在总体分类精度和个体分类精度两方面与其他算法比较具有优势.最后,针对客户等级分类问题,在数据预处理阶段应用箱型图法和最值归一化法做数据预处理,然后利用主成分分析,对数据做降维处理.通过实验对比高斯核和多项式核的支持向量机分类模型,以及网格搜索法,粒子群优化算法,遗传优化算法三种优化算法.得出在遗传优化算法的基础上高斯核支持向量机模型对客户等级分类问题有较好的分类效果.