统计学习理论(StatisticalLeaningTheory,SLT)是针对小样本情况的机器学习理论,其核心思想是通过控制学习机器的复杂度来实现对学习机器泛化能力的控制。在这一理论基础上发展起来的支撑向量机(SupportVectorMachine,SVM)是一种新的通用学习方法,它与以往方法相比表现出一些理论和实践上的优势,已经在模式识别、回归估计、自动控制、时间序列预测等多方面得到成功的应用。　　 SVM方法最早是针对模式分类问题提出来的,但近些年来随着ε不敏感损失函数的引入,SVM方法己经推广到了非线性系统的回归估计,并表现出了很好的学习性能。然而,支撑向量回归(SupportVectorRegression,SVR)无论在理论研究还是应用方面都没有支撑向量分类的研究工作深入和广泛,在训练算法和实际应用等方面有诸多值得深入探讨的课题。　　 本论文首先综述了支撑向量回归的相关理论基础,如结构风险最小化原则、Wolfe对偶理论和核方法等,并对其常用模型及参数选择方法进行了介绍,同时分析了存在的问题。对于样本数目较多的数据集,支撑向量回归算法的计算时间比较长,这对于支撑向量机性能的提高有一定限制;此外,实验数据难免受到噪声和野点的影响,可能使得回归结果严重偏离原始模型。本文就这两方面问题进行了深入学习和探索,提出了一种基于样本简化的加权支撑向量回归(SWSVR)方法。实验结果表明,该方法在保证预测正确率的前提下,可以明显缩短计算时间,提高工作效率。