在油田工作现场,工程师们根据自己的工作经验,通过地面示功图推测泵功图的几何形状,从而判定抽油井的工作状态。这种方法很难及时准确地给出抽油井的工作状态。本文讨论如何将支持向量机方法应用于抽油井示功图的工况判别。主要工作有：讨论了建立支持向量机理论基础的统计学习理论中的重要理论：VC维,推广性的界和结构风险最小化；并讨论了线性支持向量机,非线性支持向量机以及用于分类的支持向量机常用算法。研究了LIBSVM工具箱实现分类支持向量机的方法,通过一个试验用图像化的方法进一步讨论支持向量机理论,并通过3个试验来验证LibSVM工具箱实现支持向量机分类算法的有效性。进一步讨论了如何对泵功图进行特征提取,给出了4种特征提取的方法：几何特征法、傅里叶描绘子、网格法、7个不变矩,并比较了4种特征提取的方法,得出结论：7个不变矩的方法描绘因子少,用于分类的准确性最好。并将7个不变矩作为泵功图的描绘因子,应用LibSVM工具箱对36种共97组的泵功图进行分类。实验证明LibSVM完全可以实现支持向量机的多分类算法,应用于抽油井示功图的工况判别是有效的。但是,由于测试数据数目、准确性等其它条件的限制,预测分类的准确性看似不高,可以通过适度增加训练数据,及平衡各类训练数据的数目,使预测分类的准确性得到提高。