统计学习理论是由Vapnik等人提出的一种有效的样本学习下的理论．支持向量机是该理论的一个成功实现．学习理论中有限数理的观测即训练样本是根据样本空间中的未知概率分布随机独立抽取的．然后，对损失函数在该分布下取期望值．这就是标准支持向量机的思想．然而许多实际问题中往往需要处理非标准情形的问题，因此将学习算法推广到非标准的情形具有重要的实际意义． 本文基于分类问题研究了非标准支持向量机学习算法的收敛性，得到了较为满意的结果．针对两分类问题，重点分析了非标准支持向量机基于Tikhonov正则化学习算法的一致收敛性和相对一致收敛性及其推广性误差的界． 第一部分主要介绍了非标准支持向理机的背景知识及支持向理机的预备知识． 第二部分阐述了支持向量机的基本思想及相关内容． 第三部分着重研究了在Tikhonov正则化意义下的非标准支持向量机1-范数软间隔分类器的分类误差，并给出了其推广误差的界．并进一步分析了其相对一致收敛性，得到了较好的结果． 第四部分将非标准支持向量机推广到多类分类问题． 第五部分分析了前面得到的主要结果，并对未来进一步的研究方向进行了展望．