支持向量机(Support Vector Machine,SVM)是基于结构风险最小化原则和统计学习理论(Statistical Learning Theory,SLT)上的一种新型机器学习方法,具有出色的学习性能、泛化性能。传统标准支持向量机是一个求解二次型规划(Quadratic Programming,QP)问题。当训练集规模很大时,就会出现训练算法复杂、训练速度明显变慢、训练效率骤然下降等问题。目前支持向量机参数的选取一直没有一套成熟的理论作为支撑,这给支持向量机的应用带来很大的不便。针对以上问题本文做了如下两方面的研究:(1)提出了 一种路径跟踪线性规划支持向量机(Path Follow Linear Programming support vector machine,PF-LPSVM)。首先构造出线性规划支持向量机模型,并用路径跟踪内点法对该模型进行训练,提高训练效率。在随机数据集及UCI数据集上进行实验,将实验结果进行对比分析,可以得出改进后的支持向量机模型无论是在分类效率还是分类精度上都有所提升。(2)针对支持向量机最佳组合参数选取问题,本文应用一种低偏差蒙特卡罗序列的量子遗传算法(Low-Discrepancy Quantum Genetic Algorithm,LDQGA)优化支持向量机模型的参数,寻找最合适的组合参数,最后将所得到的最佳组合参数应用到已优化的PF-LPSVM模型上,并与量子遗传算法和3-fold交叉验证方进行实验对比,从实验结果可看出无论在分类精度还是分类效率都有所提高,验证了该方法在支持向量机最佳组合参数选取上的有效性。