本文将支持向量机理论引入到信息融合中，对支持向量机在信息融合中的应用做了研究，并选取污水处理厂的日常监控数据作为实验对象。在信息融合中使用支持向量机的方法，可以大大提高信息融合的运算速度与融合结果的准确性。融合结果的准确性直接影响最终的决策正确性，支持向量机在信息融合中的应用将会在军事、民用领域产生巨大的经济和社会效益。 本文介绍了近年来得到广泛关注和研究的信息融合与支持向量机的相关知识，首先介绍了信息融合的相关知识、原理和常规融合方法。然后讨论了支持向量分类机的算法，并深入地研究了序列最小最优化算法与最小二乘支持向量机算法，并对最小二乘支持向量机的结果缺乏稀疏性，提出了增加稀疏性的改进想法。对于支持向量机多类分类算法，本文首先介绍了常用的“一对余”和“一对一”算法，然后使用二进制对编码法的多类分类算法进行改进。在对污水处理厂日常监控数据试验中，本文首先使用了信息融合中常用的神经网络方法，然后，使用序贯最小最优化算法、最小二乘支持向量机算法与改进后的最小二乘支持向量机算法三种支持向量机算法。在支持向量机中使用“一对余”和二进制编码法两种方法。通过大量的实验来确定支持向量机的参数。最后，对实验的结果分析得出，支持向量机引入到信息融合中是成功的。总体上说，支持向量机的方法无论是训练速度，还是类别测试的正确率都要高于信息融合中常用的神经网络方法。