人工智能是人类所追求的目标，希望机器为人类提供更大的帮助。而模式识别是人工智能的重要组成部分，生活中随处可见模式识别，本文主要讲述了模式识别的涵义和意义，并重点介绍了模式识别的过程，对其中的数据获取，数据预处理，特征选择和提取以及系统评价过程提供了具体办法和解决方案。如数据归一化进行预处理，运用主成分分析进行特征选择，采取t检验进行特征提取，系统评价用分类正确率。支持向量机是模式识别中分类决策阶段一个重要的分类算法。经Vapnik提出后便得到了广泛关注和应用。其在分类和拟合方面都有极其重要的应用。本文主要讲述了支持向量机的基本算法内容，并运用数学中的KKT条件，将算法的实现进一步具体化。在解决线性和非线性分类器方面都提出了具体实施步骤。虽然支持向量机性能优越，但支持向量机(SVM)同样存在不足之处，很多学者对支持向量机的改进算法提出了宝贵意见。本文介绍了一种支持向量机的改进算法——昀小二乘支持向量机(LSSVM)。它提出于20世纪末，是近十年来研究的主要方向。昀小二乘支持向量机能够弥补支持向量机在分类正确率以及拟合精确性上的不足。本文涉及的昀小二乘支持向量机均应用径向基核函数，故此算法共有两个参数影响LSSVM的性能，即参数优化成为LSSVM的核心内容。本文给出了四种算法解决参数寻有问题，并提出了一种新的算法——基于PSO的三步搜索法。昀后在数值试验部分对比分析了各算法的优缺点。