一般而言，未确知性总是和实际问题中的定量和定性因素相关。模糊支持向量机（FuzzySupportVectorMachine，FSVM），是为了减小未确知性信息（一种不确定性信息）对标准支持向量机（SupportVectorMachine，SVM）学习精度及泛化能力所造成的影响，利用模糊集理论，建立在统计学习理论基础上的机器学习方法。然而，现有模糊支持向量机方法在分析和处理未确知性信息时，存在分析精度低以及处理大规模数据时的经济性“瓶颈”等问题。因此，本文在分析未确知性信息特征、支持向量机和模糊支持向量机理论和技术的基础上，从未确知性数据本质和几何结构特征出发，对模糊支持向量机方法中的数据预处理模型，模糊核函数构建和动态参数优化算法进行相关研究，所做的工作和取得的创新成果主要体现在以下几方面：（1）从未确知信息样本本质和几何特征出发，以模糊集理论为基础，分析未确知信息的基本特征，提出针对未确知信息样本的改进模糊数度量模型，有效的对于FSVM算法输入样本进行预处理，并依据改进模糊数，拓展FSVM模型未确知机会约束规划问题。（2）高维特征空间映射反应研究样本之间的相似程度。根据空间映射、相似测量和核函数之间的关系，提出适用于FSVM核函数构建的Gregson模糊集相似测量方法。该方法对于未确知性研究样本有更加准确的映射表示，并且综合考虑未确知性样本的不同分布情况，为模糊支持向量机核函数的改进提供了研究基础。（3）根据核函数理论，高维空间映射对应低维空间中的向量内积，向量内积可以用满足Mercer定理的核函数表示。模糊支持向量机性能的优劣很大程度上取决于其核模型的选择。在模糊相似测量改进的基础上，利用改进Gregson模糊集相似测量函数，构建适用于FSVM的模糊相似内核。相比现有模糊支持向量机的核函数，该核函数可以更加准确的实现对于未确知性信息的分析和研究。（4）FSVM应用性能的好坏，相当程度上取决于模型参数选取的优劣。基于遗传算法（GeneticAlgorithm,GA）和粒子群算法（ParticleSwarm Optimization,PSO），提出了自适应PSO-GA参数选取和优化方法，并将其用于未确知模糊支持向量机（Unascertained Fuzzy Support Vector Machine, UFSVM）算法模型研究之中。该算法可以有效的弥补PSO算法和GA算法所存在的易陷入局部最优解及收敛速度缓慢的缺陷，并引入自适应因子有效的考虑未确知信息特征。该方法提升了参数优化算法的寻优能力，并且算法鲁棒性和计算耗时上有明显优势。计算精度、计算速度和算法的稳定性都优于标准PSO和GA算法。（5）基于优化的UFSVM算法，选取旋转超声加工中材料切屑率（MaterialRemovalRate，MRR）测量数据验证改进模糊数的数据预处理和模糊相似核函数构建的UFSVM优化算法；选取滚动轴承实验台上的轴承故障数据进行验证自适应PSO-GA参数优化算法。通过这些实际问题和实际工业领域的研究数据，可以证明本文提出的未确知模糊支持向量机优化算法改进提高模糊支持向量机的平衡学习精度和运算泛化能力，对于工业领域的分析和预测更为准确和实用。