支持向量机是AT&T Bell实验室的V.Vapnik等人提出的一种针对分类和回归问题的新型机器学习方法。它基于结构风险最小化原理，能有效地解决过学习问题，具有良好的推广性和较好的分类精确性。正在成为继模式识别和神经元网络研究之后机器学习领域新的研究热点，并将推动机器学习理论和技术的重大发展。 目前，支持向量机在模式识别、函数逼近、数据挖掘和文本自动分类中均有很好的应用。传统支持向量机是针对两类分类问题，而在实际应用中，如数据挖掘、文本分类等等，需要处理的数据是海量和多类别的。如何解决大规模多类别的问题，是近几年来研究的重点之一。 本文对统计学习理论进行了介绍，深入探讨了建立在该理论基础上的支持向量机算法。并且就支持向量机的训练算法、分类算法、求解大型问题的算法、核函数及选择等热点问题分别加以讨论。阐述了支持向量机研究和应用现状，以及所面临的问题，指出对支持向量机进一步研究和应用需要解决的一些重要问题。全面总结了目前存在的基于支持向量机的多类别分类方法，包括一对多方法、一对一方法、确定多类目标函数、决策导向非循环图支持向量机等方法，比较了它们的优缺点及性能。 最后，针对现有的支持向量机多分类方法存在的问题以及缺点，如一对多训练速度慢、一对一分类速度慢，提出了基于序列最小优化的并行支持向量机多类分类方法。并在美国加州大学所提供的实验数据库上进行了验证，与一对多和一对一的多类分类方法进行了比较，实验结果表明该方法大大提高了训练速度和分类速度，适用于需处理样本数较多、对计算速度要求较高的多类分类问题。