支持向量机SVM （Support Vector Machine）是在统计学理论基础上发展起来的一种新机器学习方法。上世纪90年代,一个较完善的理论体系--统计学习理论（ Statistical Learning Theory,简称SLT）的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得SVM迅速发展和完善,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点。已经成为目前国际、国内研究的热点。由于其良好的性能,现已经成功的应用在数据挖掘,模式识别,航拍图像识别等领域。本文主要介绍了SVM基本概念、方法。在两类分类和多类分类基础上重点介绍了霍夫曼树（HFMTree）方法。通过对几种多类别分类算法的研究,分析了这些算法的优缺点,并结合霍夫曼树,引入了一种基于霍夫曼决策树的多类别分类算法。最后在多种开放式数据集上进行仿真实验,结果验证了该算法不仅具有较高判别精度,而且训练效率较高。随着通信、信息与电子工程以及计算机技术的快速发展,智能化的交通系统（ITS）越来越受到广泛重视,从而对车辆识别、车牌识别等技术提出了更高要求。本文在简要地介绍了智能交通系统的特点和相关技术基础上,使用基于上述霍夫曼（HFMTree）决策树的多类别分类算法仿真实验方法,来处理车辆车型识别问题。最后实验表明支持向量机在交通系统中应用的可行性和有效性,并具有广阔的前景。