支持向量机是基于统计学习理论框架下提出的一种新型算法,在处理分类问题上具有明显的优势。目前,关于支持向量核函数及其相关参数的选取与研究越来越多,并发展的越来越成熟,但具体怎样选取还没有形成一种统一理论,在日常应用中只能靠经验或对比来选取,本文主要研究的是支持向量机中高斯核参数σ和惩罚参数ζ的选择与应用。鉴于此本文工作如下:首先,介绍了研究的背景、意义、现状及支持向量机中的基本原理与相关知识,为下文做铺垫;其次,介绍了粒子群算法的基本原理,针对支持向量机参数寻优问题,通过分析,提出一种改进粒子群算法,并将该算法应用于高斯核参数及惩罚参数的选取中,通过数值实验与基本粒子群算法、标准粒子群算法进行比较,验证了本文所提出的算法寻找到的参数在分类时间上、准确率上具有较好的优越性;最后,把支持向量机应用到人脸识别分类中。将文中提出的新算法用于高斯核参数及惩罚参数的参数寻优,构造支持向量机高斯核函数分类器,并将该分类器应用到人脸识别中,与基本粒子群算法、标准粒子群算法构造的分类器在错分样本、识别率上等通过实验比较,表明了该算法在分类效果上具有优越性。