悬垂性是影响织物外观美感诸多因素中最重要的因素之一，具有优良悬垂性的织物容易形成良好的视觉效果。因此，在服装企业中，悬垂性能的优劣对于面料的选用和开发具有至关重要的作用。传统的感官评估方式因其费时、费力、高成本己难以满足企业技术工作发展的需要。因此，借助多源信息融合技术、智能技术来实现智能感官评估，辅助、指导技术人员进行质量控制及产品设计是工业应用领域中一项非常迫切的需求，市场前景广阔。　　 支持向量机(SVM)，是近几年在统计学习这一坚实理论基础之上发展起来的，针对小样本数据的机器学习方法，其优良的推广性能引起众多研究者的重视并得到较好应用。本文从SVM的理论分析切入，阐述了SVM的基本原理、特性基础上的Mercer核函数与混合核函数SVM在织物悬垂性评估中的应用设计和实际性能，并与神经网络进行了对比分析。对SVM在织物悬垂性评估中的实际应用，本文在分析传统悬垂性评估样本方法的基础上。指出了已有基于物理模型和几何模型的缺点与不足，以及现有基于混合模型的发展情况。为了验证支持向量机在学习能力和推广能力上的优势，结合实际的织物悬垂性应用，本文应用改进型BP神经网络对悬垂性进行评估的基础上进行对比分析。在小样本、高维数、非线性数据条件下，重点以实验方式验证、探讨支持向量机在织物悬垂性评估中的性能表现；并以实验结果为参考，得出了一些有价值的结论。全文总体结构如下：　　 (1)详细介绍了支持向量机的基本理论及相关的概念，对织物悬垂性能评估的研究工作进行了综述，并指出了SVM训练中存在的问题。　　 (2)对支持向量机和BP神经网络进行理论分析和对比研究，以悬垂性的评估准确度和推广性能为主要对比研究内容，研究两种不同算法的优缺点；并对实际实验结果进行分析说明。　　 (3)应用改进BP神经网络对悬垂性进行评估，并与应用一般SVM的方法进行精度的比较。　　 (4)应用已有核函数理论，提出了基于SVM的Mercer核函数，并将其他学者提出混合核函数，应用到织物悬垂性评估这一领域。在以上两种核函数的基础上，进行织物悬垂性的评估并进行了评估精度的比较。　　 (5)应用VC++6.0、Matlab7.0与Access2003开发基于多源信息融合的织物悬垂性能评估系统、调试并实现。