支撑矢量机(SVM，Support Vector Machine)是基于统计学习理论的一种模式识别方法。使用结构风险最小化原则替代经验风险最小化原则，避免了一些长期困扰其他模式识别方法的问题，使它对于小样本学习有着较好的处理能力。利用核函数，把非线性空间的问题转换到线性空间上来解决，降低了算法的复杂度。由于具有得天独厚的优点(完备的理论基础和较好的学习性能)，使它成为当前模式识别领域研究的热点。 本文首先对SVM的理论基础—统计学习理论和相关概念进行了介绍。然后对两类SVM实现算法进行深入研究，并对他们的性能进行分析，对其优缺点进行了总结。下来对多类分类及实现算法进行了研究与分析，并对他们的算法特点进行对比。 针对大规模训练集，对SVM引入增量学习方法。这种算法通过分析SV分布的特点，采用小规模的矩阵运算来代替大规模的矩阵运算。通过对织物疵点识别的实验结果表明，该算法有效的提高了训练速度。