支持向量机是上世纪九十年代提出的一种基于小样本的新的统计学习方法。本论文通过引入一种新的基于支持向量机的多类分类方法来解决音频中的多类分类问题,同时将该方法与传统的两种多类分类方法的性能做了比较分析。为了探究基于支持向量机的各种多类分类法在音频方面的分类性能,论文对包含13 类327 多个音频文件进行了实验。本论文工作主要集中于如下几个方面:一.在样本训练阶段,论文提出了一种新的离群点检测方法,通过预处理(去除离群点,进行矢量量化),大大减小了样本训练时处理的数据量。二.引入一个新的多类分类方法AB(Augment Binary)用于设计音频分类器。该方法有较高的分类精度。更突出的一点就是由于该方法将多类问题直接映射为两类分类问题,使得通过计算实验误差来估计泛化误差的界成为可能。这样对如何选择分类器的各个参数具有指导意义。三.在音频样本特征提取中,对低能量成分比例和平均幅度差函数做了修正。从实验的结果来看,修正以后的特征区分效果有明显改进。此外,为进一步精简模板,提高音频分类阶段的效率,实验中采用了一种近似核函数展开的方法,在保证一定精度的前提下用以减少支持向量个数。实验表明:在中规模数据处理中,该方法对于进一步提高分类器的效率是十分有效的。