支持向量机作为近十几年来最为成功的机器学习方法,已经被广泛应用于模式识别等领域。它和其它机器学习方法最大的不同在于,它遵循了统计学习理论中的一些原理。但是支持向量机最初是针对二分类问题提出的,如何将支持向量机方法扩展到多分类问题是支持向量机研究的主要内容之一。本文从支持向量机的多分类模型和双胞支持向量机的基本算法出发,针对分类问题着重讨论了以下几个方面的内容:(1)针对双胞支持向量机无法解决三分类乃至多分类问题,深入研究了一对多的多分类支持向量机模型,并结合双胞支持向量机的思想,首次提出了一种新的三分类支持向量机模型——三胞支持向量机,有效的解决了某些三分类问题。首先构造出三胞支持向量机的原始问题,接着对它的解的存在唯一性问题及它与对偶问题的关系作了证明,最后进行了实验比较,验证了所提方法的有效性。(2)结合最小二乘支持向量机的思想,将三胞支持向量机推广到了最小二乘三胞支持向量机,在求解超平面时,避开了求解比较繁重的二次规划问题的对偶问题,只需要求解三个方程组,有效提高了大样本学习的求解速度。首先构造出最小二乘三胞支持向量机的原始问题,并对它的解的情况作了详细分析证明,最后将本文所提的两种方法在多组UCI数据上进行实验,并与一对多和一对一的多分类方法进行了比较,实验结果表明所提方法的有效性。