支持向量机（Support Vector Machine或SVM）作为机器学习中一个新兴的领域,在人脸检测、语音识别、图像处理领域都有着广泛的应用。这主要是由于支持向量机目标是在小样本情况下追求学习的最优性能,更加符合实际情况,从而在现实中具有更好的推广能力。同时支持向量机通过引入特征空间和核函数解决了非线性划分以及特征空间高维数带来的巨大运算量等问题,从而使支持向量机的应用变得更为可能,应用范围也更广泛。正是如此,人们对其研究也越来越深入。本文重点研究支持向量机的硬件实现和优化。文章首先分析研究了SVM的实现方法,并将其改进为易于硬件实现的算法——非固定偏置硬件算法。在上述算法基础上,作者提出了两种电路结构。文中首先介绍基于串行结构的SVM,在列出的结构图上详细分析介绍了以上算法如何在硬件上实现,并叙述了该实现对面积速度的影响。随后对于并行结构的SVM,则主要对它与串行结构的不同之处进行介绍,这包括速度和面积的差异。最后,论文重点介绍了以上结构的SVM在Sonar数据库上的测试。发现字长精度Δ≤2^-10,才能保证对最终的分类效果没有影响;同时基于串行结构的SVM在速度和面积上有很好的平衡性,在样本的适应性上较强,可适用于少于设计数目的样本情况,而并行结构则在速度上有较大优势,可以在高速场合应用。