信息网络和计算机已经成为人们生活、学习和工作中必不可少的一部分，在带来便利的同时也伴随有大量重大网络安全事件的频现。而且大部分的网络安全事件均是由黑客利用漏洞进行非法攻击所引起的。可见，漏洞是网络安全事件的罪魁祸首。近些年来，漏洞的研究已成为计算机与网络安全中的一个热门话题。不少研究表明，多数漏洞在某些方面有相同之处。但是随着漏洞的数量和类型不断增加，因此，怎么合理地、有效地对漏洞进行分类就显得十分重要。支持向量机（SVM）是一种以统计学习理论为基础可以解决分类问题的监督式学习方法，适用于小样本、非线性及高维模式识别等方面。但该方法在解决大样本数据集时存在耗时较长且易陷入局部最小值的缺陷。为了弥补SVM这方面的不足，于是本文引入了遗传算法、粒子群算法两种算法。因此，本文通过对漏洞、支持向量机和遗传算法、粒子群算法的研究，给出了三种新的基于支持向量机的网络漏洞分类方法。本文首先介绍了漏洞的一些相关理论概念，支持向量机、遗传算法和粒子群算法的基础理论知识。其次，总结了目前基于支持向量机的常用分类方法及其优缺点，遗传算法和粒子群算法各自的优缺点和结合方式。然后为了提高漏洞分类的精确度，需要对传统的支持向量机进行改进。本文提出了三种方法去优化支持向量机：遗传算法、粒子群算法、遗传算法嵌入到粒子群算法。于是就提出了基于GA优化支持向量机的漏洞分类器、基于PSO优化支持向量机的漏洞分类器和基于GA-PSO优化支持向量机的漏洞分类器。最后，建立一个小型的漏洞库，并对其做分类实验。实验结果表明，这三种分类器不仅缩短了漏洞分类时间，也提高了漏洞分类的精确度。基于GA-PSO优化支持向量机的漏洞分类器的性能优于另外两种分类器。