支持向量机在解决非线性、小样本等问题中具有较好的推广性,近年来成为人们研究的热点。学习算法是支持向量机理论的重要组成部分,高效快速的学习算法对支持向量机研究与应用都有着十分重要的意义。为解决模型参数在优化过程中收敛速度慢、预测精度低的问题,本文以MSVR为基础结合最优化理论,通过研究几类MSVR的训练算法,提出了一种具有二阶收敛速度的修正BFGS算法,同时使用了线性搜索技术确定步长来保证算法的收敛。通过分析核函数的几何结构以及核参数的选择问题,结合了一种多核线性组合学习算法作为数据依赖核的基本核函数来提高算法的效率,并将其应用于风速与风向的预测中。主要研究工作有:1、从统计学习理论入手分析了支持向量机及其快速学习算法的原理,推导了回归模型的求解方程。在单SVR的基础上引出了 MSVR,针对MSVR样本数据之间的关联性,使用数据依赖核作为回归模型的核函数。通过分析传统方式在原始空间解法的弊端,提出使用二次规划问题的一般解法求解回归模型。2、针对回归模型的求解问题,提出一种秩2校正规则的改进BFGS算法作为更新规则来构造Hessian矩阵的近似矩阵。并结合非精确线性搜索技术确定模型迭代过程中的步长因子,使算法具有较快的收敛速度。3、通过分析核函数的空间几何结构与模型的样本复杂度,使用一种多核学习算法作为数据依赖核的基本核函数,通过使用基本核的线性组合使模型能够对应样本的多类特征空间,得到更好的映射性能,提高算法的迭代速度,最后将其应用于风速与风向的预测中。