支持向量机(support vector machine，简称SVM)，是一种借助于最优化方法解决机器学习的新工具，它以统计学习理论为基础，依据结构风险最小化原则，可以更好的预测未来数据和不可观测的事实。本文依据二类和多类支持向量机的研究方法，对预抽取支持向量机和聚类方法进行了研究。第一章主要介绍了支持向量机的理论学习基础——统计学习理论，支持向量机的历史背景、现状和发展，阐述了二类支持向量机通常的解决方法及其主要思想。第二章主要介绍了多类分类问题的主要思想和求解方法，并对half-against-half方法进行了两种改进，获得了较好的训练效果。第三章主要介绍了预抽取支持向量机的主要思想，并提出了一种新的预抽取支持向量机方法——排除非支持向量法，获得了较好的试验结果。第四章介绍了聚类的方法。介绍了它产生的背景、现状，提出了一种新的针对支持向量机多分类问题的分类方法，并和现存的算法进行了比较，得出了试验数据。第五章总结文章的主要工作，并对未来提出了展望。