支持向量机是Vapnik等人基于统计学习理论提出的一种新型机器学习方法。由于采用了结构风险最小化原则替代经验风险最小化原则,使它能较好地解决小样本学习问题。又由于采用了核函数思想,使它能把非线性问题转化为线性问题来解决并降低了算法的复杂度,而且它具有很好的通用性,鲁棒性,有效性,计算简单等特点,所以支持向量机已被广泛应用于人脸识别,手写识别,模式分类等领域。本文针对目前一些主要的支持向量机学习算法进行深入研究,为了进一步提高学习算法的稳定性,分类性能等,提出了一些相应的改进方法,取得了以下结果:1.分析了支持向量机的基础算法——二次规划算法、分类算法、增量算法,并进行性能分析;2.结合均衡化的K均值聚类算法,设计一种筛选有用样本规则,根据规则提取有用信息训练增量算法,提高算法处理大规模学习样本的能力和速度,并从多个角度对改进后的增量算法进行性能分析;3.为了解决改进的最小序贯算法在处理非平衡数据集时,整体分类性能较低,稳定性差等问题,这里用Veropoulos提出的对两个类别施加不同的惩罚系数的方法对算法作进一步改进,同时给出计算公式及算法步骤;4.用UCI标准数据集中的数据分别对改进后的增量算法和基于不同惩罚系数的SMO改进算法进行验证,实验结果表明,改进后的算法无论在时间还是分类能力上都是有效的。最后,本文对所做的工作进行了总结,并对以后的研究内容进行了展望。