支持向量机(SVM)是近十年来出现的比较流行的模式识别方法.本文利用两个重要不等式及再生核希尔伯特空间(RKHS)的一些好的性质，从独立于VC维理论的其它几个方面主要对SVMq-范数软间隔分类算法的推广性进行了研究，得到了三个关于该算法推广误差的界，并对这三个结果进行了分析和对比，为相关领域的进一步研究提供了重要思想.另外，本文还给出了局部SVM分类算法的一个推广性界.文章分为六个部分.第一部分，引言介绍了机器学习理论的基本问题和方法，SVM算法的主要思想和SVMq-范数软间隔分类算法的研究背景.第二部分主要基于算法稳定性性质研究了该算法的推广误差，得到了一些好的有用的结论.第三部分则利用Rademacher平均及第二部分得到的部分结果证明了SVMq-范数软间隔分类的推广误差界.第四部分估计了覆盖数形式的推广误差界.第五部分探究了局部SVM分类算法的推广性.最后，在第六部分中，分析了前面部分得到的三个主要结果，并对未来研究工作方向进行了展望.