支持向量机是在统计学习理论基础上发展出的一种性能优良的学习机器,其根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。支持向量机始终存在的一个问题是它的执行效果依赖于参数的设置,其中包括惩罚因子和核参数,但却没有一个合适的理论来指导如何寻找适应于具体的样本数据的参数。本文分析了支持向量机模型中各个参数对模型的影响,对已有的参数优化方法进行了总结和介绍,并基于粒子群算法和交叉验证方法对模型中的参数进行了优化,形成了基于粒子群算法的支持向量机参数优化方法;基于育种算法和交叉验证方法构造了基于育种算法的支持向量机参数优化方法。最后通过数值试验证明了方法的有效性。此外,结合粒子群算法收敛速度快而育种算法不易陷入局部最优的特点,提出了一种基于粒子群算法和育种算法的混合算法,该算法用于求解无约束优化问题。数值试验结果表明算法对于多峰值函数有很好的优化效果。当群体最优信息停滞时,新算法能够使粒子群算法中的粒子跳出局部最优解,最终求得全局最优解。将混合算法用于支持向量机的参数优化中,提出了基于混合算法的支持向量机参数优化模型,通过数值试验表明了算法具有很好的优化效果。