模式分类是机器学习领域重要的研究内容,也是计算机应用领域中普遍存在的问题。支持向量机作为经典的模式分类算法,基于VC维理论和结构风险最小化原理,克服了传统机器学习分类算法很多缺陷,目前,已表现出很多优于已有方法的性能。传统的支持向量机用于解决实值型数据的二分类问题已表现得很成熟,随着信息产业的发展和互联网技术的进步,出现了大量的序列数据,分类问题也更多地以多分类的形式出现,面向序列数据的多分类问题逐渐引起研究者的重视,成为机器学习领域新的研究热点之一本文以序列数据多分类问题为研究目标,分析了当前基于核方法和统计学习理论的分类算法,立足于多任务学习理论,提出了一个新的基于多数据域描述模型用来解决多分类问题,并将其用于转录因子结合位点识别和用户浏览网页行为序列挖掘。论文的主要内容包括以下几个方面：1.对本文采用的背景知识进行了简单介绍。主要包括统计学习理论,核方法,以及序列数据分类问题的基本思想和研究现状。讨论了序列数据分类的若干关键问题,给出序列数据的形式化定义。2.建立了一个用于多分类问题的多数据域描述模型,并用于解决转录因子结合位点识别和用户浏览网页行为序列分类问题。相比先前基于0-1编码的多项式核,采用新的字符串核能较好地度量序列之间的相似度。从算法的时间代价考虑,给出相应的并行算法以提高运算效率。3.设计并实现了转录调控挖掘系统ITREP,其中包括转录因子结合位点浏览与挖掘平台。该平台提供转录因子结合位点在线浏览服务,实现了转录因子结合位点识别算法,允许用户调整不同的参数以获得最佳的效果,为生物学家进行转录调控研究提供了一个良好的生物信息学工具。