该文从支持向量机理论、方法和应用相结合的角度出发,在支持向量机算法、模型选择和应用等方面进行了系统地研究,该文的主要工作和贡献包括以下内容:1.重点研究了支持向量机估计算法.分析了贝叶斯框架下基于数据的机器学习问题.2.根据软测量建模中小样本、非线性及要求模型泛化能力强等特点,将支持向量机估计算法应用于软测量建模,提出了基于支持向量机的软测量建模方法.3.重点研究了支持向量机分类算法.在基于贝叶斯框架下标准支持向量机分类算法的基础上,统一提出了贝叶斯框架下标准支持向量机分类算法和最小二乘支持向量机分类算法,在贝叶斯框架下进行支持向量机分类算法的最优正规化参数和核参数的选择.4.将支持向量机分类算法应用于支持决策系统.从支持决策系统体系结构的角度出发,提出了两类基于支持向量机的并行决策模型,并将它们应用于分布式的故障诊断中.5.介绍了核的概念、核的性质及核的分类,分析了一种非监督核学习方法,即核主元分析.针对主元分析在非线性数据协调中的缺点,提出了一种基于核主元分析的非线性数据协调新方法,并应用于三组分精馏过程的成分协调.