经济预警不仅是经济学的重要研究领域，而且倍受各国政府和公众的普遍关注。其研究结果将直接关系到对经济状况的正确认识和判断，从而影响宏观政策的合理制定。但是，传统预警方法往往囿于专家经验和简单的数学模型，难于处理高度非线性模型，无法满足宏观经济预警的客观要求。支持向量机(Support Vector Machine，SVM)是最近流行的一种数据挖掘技术。由于其坚实的理论基础和良好的推广性能，支持向量机已成为近几年的研究热点。 论文将支持向量机、模糊理论与宏观经济预警研究等相结合，尝试建立起基于支持向量机的宏观经济预警方法体系，并对支持向量机的理论和方法进行拓广。同时，结合实际数据进行经济预警的实证分析，以达到理论与实践的结合。 本文的主要研究成果如下： 1．对经济预警的理论、研究方法和发展历史进行了回顾和综述；详细讨论了传统预警系统的预警本质，包括经典预警理论和新预警理论及其预警系统，建立了预警系统框架范式；深入分析了统计学习理论和支持向量机的基本理论和特点。 2．分析模式分类、SVM和宏观经济预警的内在联系，指出经济预警可以看作一个模式分类过程。论文将SVM与经济预警相结合，首次提出了SVC(Support Vector Classification)智能经济预警模型，实现了模型参数的自动选择，给出了具体算法步骤和实证分析。 3．鉴于经济预警过程的不确定性，论文首次提出了带有不确定性的支持向量分类(USVC)预警方法。该方法将专家意见和不确定性信息融入预警系统，实现了预警方法与专家智能的有机结合，为宏观经济预警研究提供了新的思路和方法，把模糊理论和SVM引入了一个新的应用空间。 4．多类经济预警过程可以看作有序回归问题，论文首次将有序支持向量回归应用到经济预警系统，并结合USVC建立了不确定性有序支持向量回归(UOSVR)经济预警模型。 5．特征选择是模式分类中的一个重要步骤；基于经济预警指标之间存在相关性和冗余，提出一类新的经济预警系统的预警指标选择算法：SVM预警指标选择方法。 6．就SVM的核方法在经济预警系统中的应用进行了分析，包括支持向量回归、支持向量时间序列预测方法和核主成分分析(KPCA)多指标综合评价方法，并给出了数据实验。