支持向量机作为一种基于统计学习理论的新型学习算法，能很好的解决有限样本情况下的学习问题。这种方法从理论上控制了机器学习的复杂性，同时具有良好的收敛速度和推广能力。它应用最优化理论，最终将算法转化为一个二次型优化问题，从理论上得到的是全局最优解，并通过核函数技巧克服了“维数灾难”问题。这些在有限样本情况下表现出来的优势使其成为了当前机器学习领域研究的热点。 由于故障诊断是有限样本学习问题在实际中的体现，因此可以将支持向量机方法引入到网络应用层的故障诊断中来，本文涉及的内容主要包括： (1)详细深入的分析了支持向量机的理论特点及其与网络应用层故障诊断的关联，并就构建的基于支持向量机的网络应用层故障诊断模型，阐述了该模型的处理流程以及其中各个模块的功能、机制。 (2)针对故障诊断中经常出现的正常样本和异常样本数目不均衡的情况，从理论上分析了在这种情况下标准支持向量机分类错误倾向于小类别的原因，并通过类别加权的方法解决这一问题。 (3)分析了在各样本对于分类影响的重要性不同情况下支持向量机的处理方式，并给出一种样本权值的确定方法，通过模糊隶属度函数给各样本确定不同的权值，减小噪声数据等离群点对分类的影响，提高支持向量机的检测精度。