在机器学习领域中,支持向量机是一种非常重要的技术,近十年来非常的成功,在很多领域,如文本分类、人脸识别等都取得了很好的成绩.它是基于统计学习理论,如结构风险最小化规则产生的,这是它和机器学习其它方法的不同之处.支持向量机与核函数的结合,使它得到了快速的发展和广泛的应用.然而,支持向量机最初是为两类分类问题设计的,但在实际应用中需要解决的大多是多类分类问题.所以,为了让SVM得到更好的应用,如何将支持向量机应用在多类分类问题上是现在研究工作的重点.本文在分析研究了现有多类SVM方法的原理及性能,并介绍了单类SVM的分类原理后,提出了两种新的多类SVM,一种是利用了单类SVM和两类SVM相结合的方法,即先使用单类SVM对样本集每一类进行训练,再分别把每类样本作为正类,被误分至该类的样本为负类,使用两类SVM进行分类器的修正；另一种方法是针对OVO-SVM存在的不可分区域问题进行的改进,即先使用一对一方法对样本集进行训练,再使用一对多方法,对落在其不可分区域中的样本点进行再次训练,这样可以大大缩小不可分区域的面积.提出了改进的新方法后,本文做了如下工作,完成进一步的研究工作：(1)在原有libsvm平台上分别将这两种新方法通过程序实现；(2)选择训练集和测试集,对两种新方法进行实验,比较两者及原始方法的准确率.(3)最后通过分析得出结论,即在大样本多类分类问题中,两种新方法准确率较高.