统计学习理论系统地研究了小样本情况下的机器学习问题。20世纪90年代，在这一理论基础下提出的支持向量机(SupportVectorMachine，SVM)较好解决了小样本、过学习、“维数灾”、局部极小等问题，具有很强的泛化能力。 多分类器融合作为信息融合、模式识别、机器学习等领域交叉形成的一个分支，近年来成为一个新的研究热点。对于多个两分类SVM分类器融合方法及应用方面的研究还不完善，而对于多个多分类支持向量机(Multi-classSVM，MSVM)分类器融合的研究更是刚刚起步。 本文对多个SVM分类器融合和集成方法及应用进行了系统深入的研究。主要工作包括以下几个方面： 介绍了机器学习、统计学习的理论基础，在此基础上详细介绍了SVM方法的概念和特点，全面系统地阐述了SVM、信息融合、多分类器融合的研究进展和现状，分析了SVM分类器融合方法的研究发展趋势和存在的不足。 针对如何通过分类器融合提高决策分类性能，同时保持低的计算复杂性和占用较少存储资源的问题，提出了一种基于粗集理论构造SVM集成分类器的新方法。首先利用基于粗集理论的属性约简算法删除冗余和次要属性，得到最优特征子集，并根据最优特征子集来构建相应的输入子空间。然后对于每个输入子空间，训练相应的SVM子分类器。具有较高分类性能的SVM子分类器被挑选出来用于建立SVM集成分类器。最后通过医疗诊断数据集进行了仿真验证，并与其他分类器集成方法进行了比较分析。试验结果验证了所提方法的有效性。 针对多信息源、多分类问题，提出了几种基于MSVM的集中式和分布式融合策略和方法，并对现有方法的不足提出了改进的辅助决策函数。分别采用一对一(one-against-one)，一对多(one-against-all)和有向无环图(DirectedAcyclicGraph，DAG)方法合并多个两分类SVM分类器来构造MSVM。所提的融合策略充分利用了MSVM的特性：一是通过构造并合并几个两分类SVM子分类器建立MSVM；二是通过寻找具有最大间隔的最优分类超平面来训练两分类SVM子分类器。利用多缸柴油机的故障诊断数据集对所提方法进行了验证，详细分析比较了各种融合方法的优缺点、适用范围以及三种MSVM分类器的性能差异。 提出了多分类概率支持向量机(Multi-classProbabilitySVM，MPSVM)方法，并给出了多个MPSVM分类器的贝叶斯融合算法。基于one-against-all策略分解多分类问题，训练多个两分类SVM结合挤压函数产生具有后验概率输出的支持向量机(ProbabilitySVM，PSVM)并进行组合，构造出MPSVM，分别采用均值和中值贝叶斯方法来融合多个MPSVM分类器。仿真实验说明了该算法的有效性。 提出了MPSVM在证据理论框架下的基本概率分配函数，证据理论支持向量机(Dempster-ShafertheorybasedMSVM，DSMSVM)构造算法，多个DSMSVM融合算法。通过设计基本概率分配函数，利用证据合并规则合并MPSVM提供的证据，并仅对单元素集应用最大信任准则，建立了DSMSVM。这种类型的学习机器能够提供更多的用于后续处理的信息。在此基础上用多个DSMSVM分类器融合来解决分布式的多信息源、多分类问题。针对每一个源建立相应的DSMSVM分类器，然后利用证据理论合并规则进行分类器证据融合，最终决策通过最大信任决策准则给出。将所提方法应用于柴油机的分布式故障诊断，获得了比传统方法更好的性能，提高了诊断的准确率和鲁棒性。 提出了基于模糊积分的MPSVM融合算法。同时考虑了每个MPSVM提供的证据和它在融合过程中的经验重要度，给出了两种根据识别率来计算MPSVM分类器在融合过程中重要度的方法：一种是利用每个MPSVM的整体识别率；另一种是利用每个MPSVM对于每一类的识别率。所提算法的有效性在柴油机的分布式故障诊断中进行了仿真验证。 针对非线性系统的辨识与控制问题，提出了基于SVM的逆学习方法。充分利用了SVM的小样本统计学习、泛化能力强的特点，采用SVM回归很好地逼近未知强非线性对象，对于受噪声污染的数据具有良好的适应能力，并在仿真中得到了有效验证。