支持向量机(SVM)是在统计学习理论基础上开发出来的一种新的、非常有效的机器学习新方法。它较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题，具有很强的推广能力。　　本文首先系统地介绍了统计学习的发展状况，国内外的研究状况，接着对支持向量机的基本概念做了简单介绍，为后面章节的研究提供了理论基础。　　论文重点研究支持向量回归算法，针对其回归精度不高等问题，将适用于分类算法的改进方案推广到回归算法，并对BP神经网络，支持向量回归(SVR)及其改进算法(SOOR)进行了实验比较。结果表明，SVR及SOOR算法在处理高维度，小样本等机器学习问题上比BP更有优势。　　对于SVR在地震数据中建模效率不高的情况，论文提出了一种改进的Delaunay三角剖分算法，该算法预先对海量的离散数据进行块划分，进而对不同块进行建模。实验结果表明，经Delaunay预处理，建模时间效率更高。　　最后论文对全文研究工作做了总结，并为所取得的研究成果指出进一步的研究方向。