分类问题是机器学习领域的基本研究问题之一,它在实际中应用非常广泛。朴素贝叶斯分类器是一种简单有效的分类器,它基于属性间的独立性假设。基于统计学习理论的支持向量机,在处理小样本、非线性及高维模式识别问题中表现出了一些特有的优势。本文简要地介绍了关于朴素贝叶斯分类器和支持向量机的基本理论,包括朴素贝叶斯分类模型,机器学习的基本问题,统计学习理论的基本内容,支持向量机分类算法,Copula函数的原理及性质。本文针对朴素贝叶斯分类器和支持向量分类机提出了两种改进的分类算法。针对朴素贝叶斯分类器的属性独立性假设的不足,利用Copula的理论提出了基于Copula的贝叶斯分类算法,进一步扩展了朴素贝叶斯分类器,实验结果表明,基于Copula的贝叶斯分类算法取得了较好的分类效果。本文还构造了基于马氏距离和Copula函数的距离映射和条件概率映射,将高维空间中的样本转化为二维空间中的新样本,并对新样本进行简易处理,构建了可分支持向量分类机,其特点是算法简单,易于实现。仿真实验表明本文构造的算法取得了较好的分类效果。最后对全文的工作进行了总结,并指出了有待进一步研究的问题。