90年代初,一种新型的学习算法在原有统计学习理论的基础上被提了出来,即支持向量机——Support Vector Machine(SVM)。它着重于研究小样本条件下的统计规律。目前其理论研究和实际应用都处于快速发展阶段,是模式识别及回归分析领域中的研究热点之一。支持向量机主要包括支持向量分类机(SVC)和支持向量回归机(SVR)两个领域。其中支持向量分类机的理论和实际应用研究相对成熟,而支持向量回归机的研究还缺乏广度和深度。本文对SVM的方法与性质进行了详细的研究,并且围绕支持向量机的自适应问题,做了一定的理论研究并将所研究的理论运用到解决实际问题当中。本文的主要工作分为下面两部分:1.文章的理论研究分成了两个部分:⑴第一部分首先对统计学习理论进行了回顾,然后对两类SVM的方法与性能进行了详细的阐述,同时对其相关知识,例如核方法、最优化问题等也进行了较全面的讨论;⑵第二部分针对现有回归型加权支持向量机直接选择加权系数法存在的不足,提出了一种对加权系数进行寻优的新方法——动态自适应加权算法,通过加权系数的自适应迭代修正选取,以确定其最优值。从而对预测样本进行更准确的预测。并进行实验验证该算法的有效性。2.在实际应用部分,本文首先对手写体汉字识别的过程进行了详细的阐述,并针对支持向量机中基于高斯核的动态自适应核的传统算法进行改进,通过对对偶变量αi进行细致讨论,找出实验所需的支持向量,以及对初始值、点到平面的距离z i的调整和对迭代停止条件的控制,得到了适合手写体汉字识别系统的改进自适应核,并通过其在手写体汉字识别中的实验,验证了该算法在识别率和核参数选择方面的有效性。