支持向量机是统计学习发展的产物,是以训练误差作为优化问题的约束条件,以置信范围值最小化为目标,基于结构风险最小化准则,集成了最大间隔超平面、Mercer核、凸二次规划和非负松弛因子等多项技术的学习方法。由于支持向量机算法具有收敛速度快、稳定性强以及泛化能力强等特点,早已替代了传统的神经网络算法。对特征向量进行研究过程中,通过转换低维空间不可分数据的思想,将低维不可分的向量转换到高维特征空间中,在高维空间中构造决策函数,从而将原本不可分的数据转化成可分的数据。核函数的引入增加了线性学习器的分类能力。由于全局核函数、局部核函数以及核函数的相关参数的影响,它们的分类性能并不是很理想。此外,在实际应用中,也很难使用单一的核函数来表达实践中各种数据所隐藏的复杂规律。近年来,学者们提出了一种基于多核的支持向量机模型,它是一类灵活性更强应用更广的基于核的学习模型,现已成为核机器学习领域的研究热点。利用单核函数组合而成的多核函数支持向量机模型可以获得比单一核函数支持向量机算法更好的分类性能。本文以核函数的支持向量机算法为基础,重点研究了多核函数的支持向量机算法,提出了一种基于多群竞争的并行免疫进化算法的参数优化算法,并将其应用在故障诊断和混沌预测领域。本文首先介绍了支持向量机的发展过程和研究现状,提出了支持向量机的优点和应用范围,以及国内外的研究现状。支持向量机改善了传统的神经网络算法面对有限样本情况的不足,解决了传统方法无法避免的局部极值问题和维数灾难问题,并且有较好的分类性能。其次介绍了多核函数的支持向量机。在多核函数的支持向量机中,多核函数对数据特征的描述能力更强,核函数也具有更强的推广能力,同时增强了决策函数的可解释性。在比较流行的智能优化算法中,本文以免疫进化算法为核心思想并将其改进,提出一种基于多群竞争的并行免疫进化算法的多核函数参数优化算法。通过应用较广的五个基准函数,验证了该优化算法可以提升决策函数的表示能力和稳定性,增强了决策函数的可解释性,具有更强的推广能力。最后,将该算法应用到故障检测和混沌预测领域,经模拟实验验证取得了良好的效果。