本论文在学习支持向量机学习算法和独立成分分析原理的基础上，分别研究了支持向量机学习算法的改进以及基于独立成分分析的非线性荧光光谱的定量分析。研究的具体内容概述如下： 1．支持向量机学习算法的改进支持向量机学习算法是统计学习理论研究的重要学习算法之一，在模式识别和分类上有着重要的应用价值。本文提出了聚类编码多分类支持向量机理论，并且以车牌文字的分类为例说明了此学习方法在时间复杂度和准确率上的优势。本文还对原始的支持向量机学习理论进行了一般性的推广，提出了一种可变最优分类平面的支持向量机，并对其算法进行了理论研究。 2．基于独立成分分析的非线性荧光光谱的定量分析大气污染问题是当今社会发展的一个重要问题，而对于大气成分的光谱分析则是治理大气污染的一个重要手段。本文提出了基于独立成分分析算法对超短脉冲激光与气体相互作用所产生的非线性荧光光谱数据进行了有效的特征提取。利用所提取的特征对空气中含有的三种杂质气体在不同浓度下的光谱进行了预测，得到的结果与实测值相比较误差很小。此外，本文还对这三种气体共计27组光谱数据进行浓度值的定量预测，达到了满意的实验结果。