决策树归纳学习算法是机器学习中最重要的算法之一。目前通常采用启发式方法来构建决策树,因此探索各种启发式算法成了决策树研究的一个焦点。支持向量机(SVM)是基于统计学习理论的一种小样本学习方法,考虑到支持向量机的分类间隔与泛化能力的关系,可以将SVM应用于决策树的归纳过程,使用最大间隔作为生成决策树的启发式信息,使得决策树有较强的泛化能力。本课题基于统计学习理论和支持向量机,对小样本下用最大间隔作为启发式的决策树归纳学习进行了研究。为提高决策树的泛化能力,本文在深入分析支持向量机及其反问题的基础上,将支持向量机的最大间隔理论应用到了决策树的归纳过程。首先,对支持向量机基本问题及其快速求解算法进行了探讨,在此基础上讨论了支持向量机反问题及其求解,给出了利用k-means聚类求解支持向量机反问题的算法。然后,讨论了SVM在决策树归纳中的应用,给出了用最大间隔作为启发式生成决策树的设计算法,并对算法进行了分析。最后,给出了实验过程,与用熵作启发式的二叉决策树的比较结果表明了本文算法的有效性。