随着数据时代的发展,代价敏感的多分类问题受到越来越多的重视。现有的基于支持向量机模型的多分类算法可以大致分为两类,其一是组合多个二分类器,但是这类方法将每一类样本和其他类的样本独立开来,忽略了不同类别样本之间的联系,在一些情境中效果不佳。其二即多分类支持向量机,将多个分类面的参数求解合并到一个最优化问题中,一次性实现多分类。相较与前者,其增加了所需求解的参数个数,但能较好掌握数据类别分布。多分类代价敏感支持向量机即为旨在解决代价敏感问题的第二类算法的代表。本文着重在多分类代价敏感支持向量机的基础上,将原始模型正则项进行拓展,通过引入参数将目标函数转化为二次规划问题,并研究正则项对模型的影响。本文利用高效块坐标下降法对模型参数进行求解,并针对大规模样本,详细给出模型高效计算的方法。通过实例将模型与现有较为成熟的多分类方法进行对比,展现新的模型在一般分类和代价敏感学习上的优势。同时,本文对已有Rademacher结构引理进行拓展,利用该引理计算多分类模型的泛化边界,将其与Gaussian泛化边界进行对比。最后,本文给出拓展后的多分类代价敏感支持向量机的泛化边界,研究泛化边界与分类问题的类别数以及模型正则项之间的关系,并通过数值模拟进行证明。