支持向量机(SVM)是目前应用比较多的一种机器学习方法。该方法在样本不充足时仍然能表现出很好效果,所以现在正成为当前机器学习的研究热点。大量研究表明,SVM参数选择对分类效果有很大的影响。支持向量分类机(sVC)作为SVM的一个研究方向,一般需要优化的两个参数分别是惩罚参数C和核参数σ。但是目前还没有很好的理论指导参数的优化选择。常用的方法有实验法、网格法、梯度下降法、智能优化算法等。大部分方法是把两个参数作为一个参数对进行优化选择的。这样的操作过程往往会很繁琐而且效果也不是很理想。本文采用先对核参数进行选择,然后对惩罚参数进行选择的方法。这样分步骤的参数选择方法不但简化了参数选择的操作过程而且基于选择出的参数建立的SVM模型的分类性能也得到了一定程度的提升。本文主要工作如下：(1)介绍统计学习理论,详细介绍了SVM的基本思想,包括最优分类超平面、线性可分支持向量机、线性不可分支持向量机、非线性支持向量机。(2)分别介绍了核参数和惩罚参数对SVM的影响,并详细介绍了几种比较常用的优化参数方法：遗传算法、粒子群算法、网格搜索算法。然后设计了改进的参数选择方法。即先研究分析基于矩阵相似度为标准选择核参数不足之处并进行改进,改进后的问题转变成求一个含核参数的混合表达式的最大值,然后用遗传算法求解使得表达式值最大的核参数就是要寻找的最优核参数。最后再将得到的最优核参数带入到SVM模型中去利用混合智能算法(PG)经过训练得到惩罚参数。(3)通过实验仿真显示,基于改进算法选择出核参数和惩罚参数所建立的SVM模型具有更高的推广能力。同时,该方法建立SVM模型的时间也相对缩短。