支持向量机是建立在统计学习理论和结构风险最小化原则基础上的新型学习方法,具有良好的泛化性能。集成学习通过训练和组合多个准确而有差异的分类器,为提高分类系统的泛化能力提供了一条新的途径。本文将集成学习技术引入到支持向量机学习中,以提高支持向量机的泛化能力。本文的主要研究工作及创新性成果如下：(1)对支持向量机和集成学习的理论基础、实现方法及其实际应用进行了系统的研究,并简要的介绍了两种经典的集成学习算法Bagging和Boosting。(2)提高个体分类器的精度,增加个体分类器间的差异,可以有效的提高集成学习的泛化性能。特征选择可以提高分类器精度并增加个体分类器差异,扰动支持向量机的模型参数,也可以增加个体分类器的差异性。本文将这两种方法相结合,引入Relief过滤式特征选择算法和基于预报风险的嵌入式特征选择算法两种特征选择方法参与集成学习的研究,并在支持向量机的低偏差区域内随机的选取支持向量机的模型参数,提出了两种基于特征选择的低偏差的支持向量机Bagging集成学习算法。(3)提出了一种新的选择性支持向量机集成学习算法。提出了一种不断删除最差分类器的个体分类器选择方法,并对支持向量机的决策函数值用logistic函数作了一个转化,充分的运用了支持向量机的输出信息,提高了算法的泛化性能。(4)在UCI数据集上对本文提出的三个算法进行验证,算法均取得了较好效果。