本文以支持向量机为研究对象,围绕其若干学习算法及实际应用开展研究。具体研究内容如下:(1)由于核函数对SVM的泛化性能影响很大,但目前可供选择的核函数种类又十分有限,所以,我们提出了一种基于黎曼和相似性度量的核函数改进方法,并证明了改进的函数是Mercer核函数。(2)针对标准LS-SVM求解速度慢和容易导致求解时出现病态线性方程组的问题,提出了基于对称逐步超松弛预处理共轭梯度法的LS-SVM学习算法,给出了惩罚参数的设定范围,并证明了该算法的快速收敛性。(3)鉴于传统的一类分类υ-SVM方法存在对目标训练样本的数量和分布要求高的问题,提出了带非目标类样本的一类υ-SVM算法,以及原形式下的半监督一类υ-SVM算法。(4)鉴于特征选择和特征提取的现实意义,提出了基于统计知识的混合特征处理方法,并把SVM应用到药品成分分析和肿瘤性质诊断两个领域中。关于肿瘤性质诊断的实验结果证实了混合特征处理方法的有效性,关于药品成分分析的实验结果验证了SVM在相关领域应用的可行性与有效性。