论文首先介绍了支持向量机的研究背景，研究现状，然后给出支持向量机的基本理论介绍。在此基础上，分别对最小二乘支持向量机算法和四类分类支持向量机算法做了进一步的研究。　　 在该篇论文中，基于支持向量机理论，我们主要做了以下工作：　　 (1)最小二乘支持向量机算法显著提高了大规模样本的训练速度和测试速度，但是仍然不能很好处理条件属性和决策属性具有不一致性的训练样本集，为此在本文中，我们提出了一种基于模糊粗糙集的最小二乘支持向量机算法，将每个样本隶属度考虑到约束条件中，使得不同的训练样本对分类超平面的构造有着不同的贡献，解决了决策属性和条件属性的一致性问题。　　 (2)将支持向量机应用于四类分类问题，提出一个四类分类问题的解决方法。算法对四类分类问题一次性构造两个分类超平面，在同一个优化问题中解出两个分类超平面的表达式，同时分类超平面的函数表达式采用二维向量的表达形式，算法的优越之处在于明显减少了分类器的个数，同时消除了不可分区域。　　 (3)在四类分类算法基础上，进一步研究了2k类分类算法，对于多类分类问题，在相近的分类正确率下，该算法有效的提高了测试速度，消除了样本集中不可分样本的存在。　　 为验证算法的有效性，本文分别用这两种算法进行了大量的实验。