支持向量机(SVM)，是近几年在统计学习这一坚实理论基础之上发展起来的，针对小样本数据的机器学习方法，其优良的推广性能引起众多研究者的重视并得到较好应用。本文从SVM的理论分析切入，阐述了SVM的基本原理、特性以及回归估计SVM在感官评估中的应用设计和实际性能，并与BP神经网络进行了对比分析。 论文首先从学习问题的表示、统计学习理论等角度对支持向量机的理论基础进行了描述和探讨，对SVM这一更具构造性的机器学习方法的研究现状以及主要改进算法作了综述和比较说明；并对支持向量机目前存在的主要问题进行了分析探讨；在参数选择上，认为依靠经验设置仍是快速有效的方法。 对SVM在感官评估中的实际应用，本文在分析工业企业产品感官评估样本数据特征的基础上，指出了计算机辅助感官评估的核心是：建立适应小样本数据环境的机器学习模型，而且要更注重该学习模型的推广能力。结合支持向量机在多类模式识别中存在的问题，提出用回归函数估计SVM进行建模来解决感官评估多类划分问题，并对其实际应用进行了算法选择、参数设计和实验验证。 针对支持向量机的学习性能和推广能力，结合实际的感官评估应用，本文在进行理论分析的同时，将支持向量机置于企业实际数据环境中，在小样本、高维数、强噪声、非线性数据条件下，重点以实验方式验证、探讨支持向量机在感官评估中的性能表现；并以实验结果为参考，与BP神经网络方法进行对比研究，得出了一些有价值的结论。全文分为以下六章： 第一章描述了本文选题背景以及SVM与感官评估的研究现状。第二章对学习问题的表示、统计学习中的关键理论、SVM中的重要概念以及非线性回归估计SVM算法作了描述，并说明了产品感官评估对应的学习问题。第三章比较SVM当前的几种主要改进算法，对SVM存在的主要问题进行讨论。 第四章在指出传统感官评估方式存在问题的同时，首先将SVM的多类模式识别功能在感官评估中进行应用验证，实验结果表明该方法难以满足实际需要。在此基础上，对感官评估样本数据的特征以及感官评估学习问题的建模进行分析，提出用回归估计SVM方法来解决感官评估的多类别划分问题。然后对回支持向t机在感官评估中的应用研究归估计svM方法进行设计，并应用烟草行业的单料烟感官数据进行实验验证，获得良好的测试结果;结果表明该方法完全可以应用到感官评估业务中。 第五章针对感官评估的SVM方法与BP神经网络方法，首先对这两种机器学习方法的关系进行探讨，并在理论层面上对两者的学习性能作了分析与比较。然后从感官评估准确度、推广能力方面进行对比分析.研究表明，回归估计SvM方法与BP神经网络方法在感官评估应用中都具有良好的性能，两者从样本数据中学习到的规律是一致的且符合实际情况。在推广能力方面，SVM优于BP神经网络。 本文最后一章对全文进行了系统总结，并对本文研究内容今后的发展特征、方向和主要关注点进行了探讨。