支持向量机是由VVapnik等提出的一种学习技术,是借助于最优化方法解决机器学习问题的新工具。支持向量机是机器学习领域若干标准技术的集大成者,它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术,在若干挑战性的应用中,获得了目前为止最好的性能。由于其具有全局最优、结构简单、推广能力强等优点,近几年得到了广泛的研究并广泛应用于模式识别等领域。但是支持向量机方法最初是针对二类别的分类提出的,如何将二类别分类方法扩展到多类别分类是支持向量机研究的重要内容之一。本文仔细研究了支持向量机的理论,并针对分类问题着重讨论了以下几个方面的内容:(1) 支持向量机二类别分类算法的研究,对目前存在的多种支持向量机算法模型进行了深入分析,比较了他们的性能与应用范围。(2) 支持向量机多类分类算法的研究,全面总结了目前存在的基于支持向量机的多类别分类方法,包括“一对多”方法、“一对一”方法、一次性求解方法、决策有向无环图方法、基于二叉树的支持向量机多类分类方法、多级支持向量机方法和其它的几种方法,比较了它们的优缺点及性能:并通过实验对其中的几种常用的方法进行了验证与比较。(3) 支持向量机超球面多类分类算法的研究,首先研究了超球面二类别分类算法,指出了它与超平面分类方法的区别,并讨论了其推广能力的性能,深入讨论了其推广能力一般的原因,即缺少了使分类间隔最大这一重要的条件;然后基于超球面二类别算法构造了一种基于二叉树的超球面多类分类算法,该算法不但具有良好的推广能力,而且决策时间短。