支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的新型机器学习方法，具有全局最优、结构简单、推广能力强等优点，因此得到了广泛的研究和应用。但是SVM方法最初是设计用来解决两类分类问题的，如何将SVM扩展到多分类问题是SVM研究的重要内容之一。本文在分析了SVM的基本理论和基本性质的基础上，针对基于二分类器SVM的多分类方法进行了深入研究。主要研究工作如下。针对目前常见的多分类方法，包括OAA方法、OAO方法、DAG方法、ECOC方法等，总结并给出了理论上的分类原理分析、纠错能力分析和算法复杂度比较。引入一种基于数据驱动的拓扑保持输出编码(TPOC)方法。在iris、segment、NCI、ISOLET、Letter等多组数据集上使用OAA、DAG、ECOC、DECOC等几种常用多分类算法以及TPOC方法进行了识别率、复杂度和训练时间的对比实验。结果表明，DAG算法具有较高的识别能力和推广能力，TPOC与ECOC、DECOC相比在识别率损失不大的情况下可有效减少支持向量的数目。