支持向量机是一种针对分类和回归问题的新型机器学习方法。它基于结构风险最小化原理,能有效地解决过学习问题,具有良好的推广性和较好的分类精确性。正在成为继模式识别和神经元网络研究之后机器学习领域新的研究热点,并将推动机器学习理论和技术的重大发展。目前,支持向量机在模式识别、函数逼近、数据挖掘和文本自动分类中均有很好的应用。传统支持向量机是针对两类分类问题,而在实际应用中,如数据挖掘、文本分类等等,需要处理的数据是海量和多类别的。如何解决大规模多类别的问题,是近几年来研究的重点之一。本文对统计学习理论进行了介绍,探讨了建立在该理论基础上的支持向量机算法。阐述了支持向量机的发展历史和研究内容,全面地介绍了支持向量机目前存在的二类分类算法和多类分类算法,比较了它们的优缺点及性能。最后,介绍了目前流行的两种投票法,并针对现有投票法的问题和缺点,提出一种最小内凸包的算法。该算法具有计算量少,算法复杂性小,速度快的特点,适用于需处理的样本数较多、对计算速度要求较高的多类分类问题。