支持向量机方法基于统计学习理论和结构风险最小化原理,具有良好的推广性和较高的准确率。它集成了最优分类超平面、核技巧、凸二次规划等多项技术,能有效地解决“过学习”、“维数灾难”和“局部极小点”等问题。由于出色的学习性能,支持向量机已经成为当前机器学习界的研究热点,并在很多领域得到了广泛的应用,包括模式识别、回归估计等方面。由于支持向量机方法最初是针对二分类问题提出的,如何提高机器的性能,如何将二类别分类方法扩展到多类别分类是支持向量机研究的一个重要内容。传统做法是就算法本身进行改进,而本文将打破先前老套路,在优化问题的设计和模型的改进上下功夫,即引入了超球单类支持向量机。　　 本研究主要内容包括：⑴提出了基于超球单类支持向量机求解二分类的方法。通过实验证实了新算法的有效性,并将其与v-支持向量机的分类性能作了对比,其分类效果远远好于v-支持向量机的分类效果。⑵提出了基于超球单类支持向量机求解多分类的方法。通过实验验证了所提方法的有效性,而且从仿真实验的结果可以看出,所提出的新算法在解决多分类问题时克服了存在不可分区域,过学习现象、误差积累等缺点,同时也解决了传统模型处理孤立点能力差的问题。⑶对支持向量机在回归方面的模型进行了研究,提出了基于超球单类支持向量机的回归模型。接着证明了原问题与对偶问题之间的关系,最后通过不同的实例验证了所提回归模型的有效性。