几十年以来,人们一直在探索将红外谱图的解析经验化。随着商品化红外光谱仪的计算机化,出现了许多计算机辅助红外光谱识别方法,这些方法大致可以分为三类:专家系统;谱图检索系统;模式识别方法。其中最常用的模式识别方法是人工神经网络和偏最小二乘法。文献表明它们对存在的结构碎片的预测准确度不是很高,且神经网络尚存在不稳定、容易陷入局部最优和收敛速度慢等问题。本文将支持向量机用于红外光谱子结构解析,支持向量机是一种很好的用于小样本体系的机器学习算法。随机选取了OMNIC 数据库中的823张谱图,将其分为两部分,取偶数部分的谱图作为训练集,含有411张;取奇数部分的谱图作为预测集,含有412张。对红外光谱中16个常见的子结构进行解析。在训练的过程中调整参数（C,σ）,使得支持向量机能够以很高的精度对“存在”的子结构进行得预测,当“存在”预测精度很高,而“不存在”的预测精度低的时候,就要稍微降低一下“存在”的预测精度,使得“不存在”的也有较好的预测精度。所训练的支持向量机对16 个子结构“存在”的预测正确率（Pc）和“不存在”的预测正确率（A_c）的平均值分别为93.3%和99.0%,“存在”的预测可信度(Q_pr)和“不存在”的预测可信度(Q_ar)的平均值分别为96.0%和98.8%,平均统计特性（EQr）为93.4%。相应的使用神经网络对这些数据进行训练并预测,所训练的神经网络对16 个子结构“存在”的预测正确率（Pc）和“不存在”的预测正确率（A_c）的平均值分别为91.5%和98.5%,“存在”的预测可信度(Q_pr)和“不存在”预测可信度(Q_ar)的平均值分别为92.0%和98.7%,平均统计特