论文围绕支持向量机分类器的算法及支持向量机应用于货币识别进行了一些探索性的研究。货币识别是一个小样本、非线性和高维模式识别问题，是当前模式识别中的难题之一，具有重要的研究意义和实用价值。支持向量机是一种新的基于统计学习理论的机器学习算法，它可以应用于小样本、非线性和高维模式识别。训练算法采用一种支持向量机快速算法—基于壳向量的支持向量机算法(HVSVM)。利用训练样本集中的几何信息，在样本中首先选取一部分最有可能成为支持向量的样本—壳向量，将其作为新的训练样本集再进行SVM训练。由于在提取壳向量的过程中只需线性规划运算，之后的训练过程又只需处理原训练样本中的一部分，大大降低了二次规划过程的时间，使整个算法的训练速度大为提高。多值分类算法采用一种基于核聚类方法的多层次SVM分类树。该算法将核空间中的无监督学习方法和有监督学习方法结合起来，按照样本集逐层核聚类的结果对多层次分类树的子任务进行定义，使其更为准确有效。实现了一种结构更加简洁计算更有效率的多层SVM分类树算法。研究了支持向量机的学习算法，依据支持向量机的特点采用了对应的货币特征数据获取及预处理方法，提出采用HVSVM和改进的SVM分类树结构的多类分类器构建的支持向量机用于货币识别，从而达到对货币高效、准确识别。实验结果证实了该方案的有效性。