支持向量机(SVM)是国际上机器学习领域新的研究热点，是统计学习理论发展的一种新的通用学习算法，本文对支持向量机用于频移键控(FSK)通讯解码技术进行了探索性应用研究。结合支持向量机在解决小样本、非线性及高维模式识别问题中表现出的许多特有优势，运用支持向量机对不同频率信号的数据样本集进行训练，通过寻找最优超平面来对不同频率信号的数据进行快速分类，克服传统频移键控(FSK)解码算法中需要进行大量运算的缺点，从而实现频移键控的解码。 本文首先详细介绍了支持向量机的原理和算法，根据支持向量机的分类特性，提出将支持向量机应用到FSK解码技术中。文章根据频移键控(FSK)通讯方式的原理，对相干检测、非相干检测即过零检测和鉴频法等传统的FSK解码方法进行了比较分析，对其不足之处进行了深入讨论。 其次本文结合FSK解码实际的应用，按照通信标准要求，采样不同频率和电平信号波形，构建分类训练的正类和负类小样本点集，同时运用MATLAB软件进行训练与仿真，通过仿真选择合适的核函数和学习算法及其最优惩罚参数C，构建完整的满足解码应用需要的支持向量机，得到理想的最优分界面和决策函数。 本文第三部分详细介绍应用支持向量机进行解码的实际系统硬件和软件设计，其中硬件部分重点介绍了与DSP处理信号相关的硬件原理，软件部分则重点介绍正弦信号采样点相对时间确定的方法和支持向量机分类决策函数的C语言实现方法；在深入分析CID信号协议的基础上，按照解码系统的要求，给出了如何将解码得到的二进制数据串恢复成调制之前信息的方法。 本文最后按照国军标(GJB)规定，对采用支持向量机的系统分别进行了抗噪声干扰性能和抗频率偏移性能测试，实测结果显示了支持向量机用于频移键控(FSK)通讯解码的可行性和可靠性。经过与传统FSK解码方法的比较分析，验证了应用支持向量机进行FSK解码的快速性和易于软件实现的特性。