化学计量学(chemometrics) 研究目的在于优化化学量测过程，并从化学量测数据中最大限度地获取有用的化学信息。支持向量机(support vector machine,SVM)方法，是一种基于结构风险最小化的新兴化学计量学方法。SVM算法可以在很大程度上避免误差反向传播(back propagation neural networks，BPN)使用过程中存在的“过学习(over-fitting)”问题；通过选用不同的核函数可以寻找出空间最优平面，以期避免信息的丢失，取得更为可靠、更为准确的结果。SVM方法正逐步应用于包括多元分辨与校正分析、模式分类等研究领域中，也有望在数据处理和分析任务愈来愈繁重的现代分析科学中发挥它的积极作用。本论文主要应用SVM算法对多元混合体系的定量分析以及光谱的化学模式分类这两个方面进行了研究，具体内容如下：对于多元混合体系的定量分析，常需要花费大量的时间和精力在多组分的预分离，而借助化学计量学手段则可较简单的实现复杂多组分的同时直接测定。我们将支持向量机方法分别应用于处理多种混合氨基酸体系的拉曼光谱、儿茶酚氨类物质混合体系的微分脉冲伏安图谱的定量分析研究。研究表明，支持向量机方法能更好地从混合体系的量测数据中提取信息以实现定量分析目的，较传统的BPN 方法，其分析结果更为精确。原子光谱的电子组态通常是根据谱线的能级、强度、同位素位移、塞曼效应等测量数据进行确定，或者应用量子理论计算来指认。但由于原子光谱的复杂性，仍有部分高激发态的原子光谱所属的电子组态难于确定。因此，尝试采用支持向量机方法来对U II等重元素原子光谱的分类研究，对于完善原子光谱数据信息具有重要的意义。计算结果表明，相对于传统化学模式识别方法，支持向量机能够更为全面和准确地预报了未知能级的组态归属。