随着模式识别技术的发展,传统统计学理论的模式识别技术对小样本数据处理能力的不足越来越突出,支持向量机作为主要针对小样本数据的模式识别技术得到了广泛的关注。基本的支持向量机是针对二类的情况,对于多分类的情况需要对其进行扩展。通过对多分类支持向量机扩展策略的研究,指出当前在基于多分类支持向量机的特征选择过程中,容易出现类别分类性能不平衡的问题;另外,树型多分类支持向量机有“误差积累”的问题。因此本文主要针对多分类支持向量机扩展过程中的这两个问题展开研究,主要工作有:　　 一是针对传统多分类支持向量机特征选择仅采用样本整体误分率,导致的类别倾斜现象,提出了采用各个类别误分率的方差和期望,以及整体误分率三项指标作为多分类支持向量机特征选择算法的评价标准。实验表明,本文的算法能够有效降低样本的误分率,同时各个类别的误分率也更加收敛,降低了特征选择过程中引起的类别间分类性能不平衡的问题。　　 二是针对二叉树多分类支持向量机中二叉树的结果会对分类性能产生影响,并且二叉树多分类支持向量机还会出现“误差积累”的问题,本文提出了基于二进制粒子群优化算法优化的二叉树多分类支持向量机,算法在二叉树的每个节点中都引入粒子群算法,通过优化类别组合间的最大分类间隔,提高二叉树各个节点的分类性能。实验表明,采用二进制粒子群优化算法优化的二叉树多分类支持向量机的分类精度有了明显提升,同时优化速度更快,有更好的推广性。