近年来多信息融合技术和人工智能技术广泛应用于复杂工业过程中,已经成为一个重要的研究领域。本文对支持向量机多类分类在复杂工业过程多信息融合中的应用做了研究,并选取污水处理厂的日常监控数据作为实验对象。本文首先介绍了信息融合的相关知识、原理和常规融合方法,然后讨论了复杂工业过程广义知识模型,最后研究了支持向量机分类算法,并深入地研究了支持向量多类分类算法,提出了改进的决策树支持向量机。在对大规模数据集的模式分类过程中,过多的训练样本会引发分类的速度很慢及对计算机的内存提出很高的要求等问题,所以在模式分类前要对数据集进行必要的数据处理。支持向量机的训练时间也是一个十分重要的性能指标,当样本数量非常多时,在二次规划过程中会花费大量的时间。由于支持向量机的决策函数最终仅由一组支持向量决定,分类超平面只与这一组支持向量有关。本文是在支持向量机进行训练之前找到那些最有可能成为支持向量的样本,用这些样本代替整个训练样本集进行训练,就可以在对精度影响不大的情况下,缩减训练的时间。对于支持向量机多类分类算法,本文提出了基于向量投影概率分布类间可分性的决策树支持向量机分类方法。在对污水处理厂日常监控数据试验中,本文把支持向量机应用于信息融合中,在支持向量机中使用“一对余”和“一对一”及本文提出的决策树支持向量机三种方法。最后,对实验的结果分析得出,决策树支持向量机引入到信息融合中是可行的、有效的。总体上说,决策树支持向量机分类的方法无论是训练速度,还是类别测试的正确率是令人满意的。