支持向量机是一种新的机器学习方法,已广泛应用于手写数字识别、人脸识别、文本分类、回归预测、时间序列分析等领域。设计实现该学习方法的有效优化算法是该领域学者研究的重点。本文利用基于O.L.Mangasarian等人提出的解决支持向量机的若干优化算法,分别对支持向量分类机、支持向量回归机和特殊结构支持向量机的特征选择问题进行了研究。 第一章主要介绍支持向量机的数学理论基础——统计学习理论,支持向量机标准模型、若干求解算法和研究方向、常用数据集和软件包及支持向量机的应用领域等。 第二章研究支持向量机分类算法,针对有效集算法不能有效求解非线性可分情形的模型,提出基于SOR的有效集分解策略求解支持向量机算法。 第三章研究支持向量机回归算法,将求解分类问题的有效算法推广到回归问题中来,提出有效的牛顿型支持向量回归机和Lagrange支持向量回归机算法。 第四章讨论特殊结构的支持向量机,将其与特征选择相结合,给出了一种能自动进行特征选择的最少核分类器。 第五章总结论文主要工作并给出对未来工作的展望。