随着信息技术的高速发展,传统的投票方法很难满足实际需求。这使得投票行为在投票决策中形式大于意义,因此,根据对以往文献的研究再结合实际情况对投票方法的局限进行披露。其一,大部分传统投票方法都是对候选者进行综合评价,进而忽略了候选者之间存在层次差别;其二,现有的投票方法难以简单有效地反映决策群体的主观偏好;其三,面对投票数据的日益复杂和增多,传统投票方法很难充分实现对数据的挖掘和分析。而近年来,由于机器学习方法在处理数据时都表现出了良好性能,因而被广泛应用于各个领域。而支持向量机作为机器学习中的经典模型,在处理小样本和非线性问题中更是具有不俗表现,因此,本文将支持向量机模型与投票理论相结合,构建出全信息投票支持向量机模型,并在此基础之上设计出符合模型特点及满足实际需求的多层次全信息投票系统。投票方法就是要从多个备选方案中选择最满意者,而支持向量机模型就是寻求到一条使间隔最大化的最优超平面,从而实现对正反例点的区分。因此,从理论上来看二者都是为了实现对数据（候选者）的区分,这一目的为二者的结合提供契机。因而,本文通过对投票理论和支持向量机方法深度解析,通过构建全信息投票特征空间从而实现二者的结合,进而构建出全信息投票支持向量机模型。在此基础之上,为了实现全信息投票支持向量机模型对多类别数据的识别,本文还结合四个多分类策略分别构建出一对多全信息投票支持向量机（RIF-SVM）、一对一全信息投票支持向量机（OIF-SVM）、决策树全信息投票支持向量机（DIF-SVM）和有向无环图全信息投票支持向量机（BIF-SVM）。随后采用六组投票数据集对模型的分类识别性能进行验证,结果表明在中小数据样本量的情况下,投票规模和投票数据样本量的变化并不会对模型性能造成显著影响,并且四类模型中BIFSVM模型的性能最优。由于在实际应用中噪音问题不可避免,因而本文还通过抗噪实验对模型的鲁棒性进行分析。抗噪实验中,在原有投票数据中分别加入5%和10%的噪音数据后,各模型性能都呈显著下降,并且加入噪声数据比例越多,性能越差。虽然BIF-SVM模型的性能依然最优,但其性能与其余模型已然拉近,并未展现出绝对的优越性。因此,综合两个实验的分析结果选取表现最优的BIFSVM模型作为本文投票系统的学习模型。要想将学习模型应用于实际还需根据模型特性设置相应的投票系统。系统的设计总共分为三大模块,分别为信息输入模块、信息处理模块以及信息集成模块。通过对这些模块的定义和设计,重新构建了投票流程和计票方法,这不仅能够实现对候选者的多层次考察,还能够简便充分地反映决策群体的偏好,且由于系统采用机器学习方法来寻找投票数据集与优秀员工之间的映射关系,因此,该系统的识别结果在很大程度上能够提高投票决策的科学性和合理性,也在一定程度上降低了决策者的主观臆断,从而提升决策公平性。在构建完投票系统之后,还通过一个现实案例来对系统进行实现。在该案例中详细介绍了案例的应用背景,选取指标以及模型训练等步骤,最后根据模型结果进行分析和决策。在这部分内容中不仅展示了多层次全信息投票系统的可实现性,也将系统的优点进行了再次展现,因此本文所构建的投票系统不仅能为投票方法的进一步发展提供借鉴思路,也为现实的投票决策活动提供参考意见。