统计学习理论建立在结构风险最小化原则基础上,它是专门针对小样本情况下的机器学习问题而建立的一套新的理论体系。基于统计学习理论的支持向量机算法具有理论完备、全局优化、适应性强、推广能力好等优点,是机器学习研究的新热点。它在最小化经验风险的同时,有效提高了算法的泛化能力,具有良好的应用价值和发展前景。本文首先系统研究了支持向量机的求解方法,讨论了几类主要的改善支持向量机的方法:二次规划求解方法,分解算法,增量算法以及集成多种技术的分类算法等。接下来对支持向量机算法和神经网络算法进行了全面的性能比较,通过仿真实验反映两者的性能差异,详细说明了支持向量机在学习性能上的特点和优势。此外,本文讨论了支持向量机参数调整的各种方法,在构造支持向量机的过程中,参数选择是否合理,直接决定了学习机器的性能优劣。本文中引入遗传算法对支持向量机的核参数及误差惩罚参数C进行优化选择,使支持向量机具有较好的分类性能。实验结果表明了基于遗传算法的参数选择方法的有效性和可行性。在第四章,本文重点提出了两种支持向量机的改进算法。针对支持向量机在大规模数据集学习问题的处理中需要耗费很长的时间,文章提出一种数据预处理的方法对学习样本进行聚类,以此为基础得到一种模糊支持向量机,计算机仿真结果表明本文提出的算法与传统的支持向量机训练算法相比,在不降低分类精度的情况下,大大缩短了支持向量机的学习训练时间。其次,当支持向量机算法处理较小的学习样本集时,结合距离判别的方法,本文提出了一种改进算法,能有效提高了学习机器的分类精度,使传统支持向量机算法的性能得到很大改善。文章最后通过齿轮箱故障诊断及减速箱状态分类器设计两个实例,说明了支持向量机算法在故障诊断问题中的应用价值。