统计学习理论作为一种专门的小样本学习理论,针对模式识别和机器学习的实际问题,在解决小样本、非线性及高维模式识别等问题中表现出了许多特有的优势,使模式识别、机器学习的理论向前迈进了一大步.同时,在其理论基础上发展出了很多实际的学习方法.支持向量机(SVM)就是最具代表性的一个,它专门针对有限样本情况,得到现有信息下的最优解,很大程度上解决了模型选择、过学习、非线性、维数灾难等问题.目前已经成为模式识别领域研究和应用的热点.该文围绕着支持向量机分类器的算法及应用进行了一些探索性的研究.该文重点针对支持向量机分类器算法中待解决的核函数问题、算法速度问题和多类支持向量机的设计问题,以及支持向量机的一个重要的应用领域——人脸检测问题,提出了新的核函数、新的快速算法和多类支持向量机分类树,使SVM分类器在分类性能、推广性和运算速度上都得到了提高,并设计了一种结合肤色模型的两层支持向量机人脸检测系统,使复杂背景下的多人脸检测更准确和鲁棒.具有理论意义和实际应用价值.该文的主要工作与创新之处包括:1.提出了一种新的基于空间距离的支持向量机核函数—MDGK核函数(Moderate-Decreasing Gauss Kernel).2.针对支持向量机分类器中两类核函数,即全局核函数和局部核函数进行研究和分析,根据局部核函数的学习能力优于全局核函数,而推广能力则劣于全局核函数的特点,将两者通过一定的系数结合成组合核函数,从而使两者在学习和推广能力两方面的优点得以结合.3.提出了一种新的支持向量机快速算法——基于壳向量的支持向量机算法(HVSVM).4.提出了一种新的基于聚类的支持向量机迭代算法.5.提出了一种新的基于核聚类方法的多层次支持向量机分类树.6.设计了一种结合肤色模型的两层支持向量机人脸检测系统.统计学习理论和支持向量机在模式识别领域中,已经取得了很多成果,建立了一系列较完善的理论体系和方法,但也存在很多的尚未解决的理论和实际问题.作为模式识别中十分值得进一步深入研究的领域,它吸引着人们不断地进行探索,做出有益的尝试,使其在理论和应用的道路上都得到持续的发展.