支持向量机作为一种数据挖掘的新方法引起了研究者的广泛重视,该方法有严格的理论基础,并且克服了其它算法中存在的局部最小解和过学习问题,具有较好的泛化能力,在指纹识别、人脸识别、DNA检测、文本分类、光学字符识别、手写体识别、疾病检测、自动控制设备的故障检测等方面有着广泛的应用。本文以统计学习理论为基础,重点研究支持向量机快速训练算法、支持向量机核函数构造、支持向量机回归新算法,在此基础上将支持向量机的理论研究应用到原木断层扫描图像中的缺陷识别中,取得了一定的效果。本文的主要工作概括为以下几个方面:1.提出了多拉格朗日乘子协同优化的框架MLSVM,并在此基础上设计了四种支持向量机快速学习算法MLSVM1、MLSVM2、MLSVM3、MLSVM4,在标准的Adult、Web和MNIST数据集上测试,MLSVM3算法速度比经典的支持向量机训练算法SMO快1.07~41.3倍,MLSVM4算法比SMO算法快3~42倍。2.研究了核函数的性质,构造了兼顾样本空间和特征空间相似度的核函数和一种新的正交切比雪夫核函数,在数据集上测试,取得了较好的效果。3.提出了一种基于分类技术的支持向量回归方法,解决数据分布未知、数学模型未知的非线性回归问题。4.将支持向量机应用到原木断层扫描图像中的缺陷识别中,能够自动识别原木断层图像中的节疤、裂纹、腐朽等缺陷,在计算机中重构了原木三维虚拟图像,并进一步地利用支持向量机对原木的三维缺陷进行识别,与使用神经网络的方法相比,使用支持向量机方法的泛化性能更好。