在日常生活和工程实践中,尤其是在国防、航天、核设施等高科技领域,人们常常会碰到正类的数据样本较为充足,而负类样本数据的数量却十分稀少的问题。因此,通过何种手段和途径在这有限的样本数据中提取出更多可用信息,以此来对试验过程进行科学而又有效的分析和预测,便是小样本问题所需要研究和解决的。本文对较为常见的几种小样本评价方法进行了详细的阐述和归纳,对其来源、数学原理进行了叙述,并指出了各种方法在实际应用中的优缺点和局限性；尤其是详细地阐述了近年来新近产生,但发展却十分迅速的统计学习理论中的支持向量机方法的相关概念以及发展趋势。对于小样本的支持向量机方法分别从分类和回归两个方面进行了详细的说明,包括基本原理和建模机理。在分类问题的研究中,将支持向量分类机模型运用到实例研究中,预测煤与瓦斯的突出类别：首先用经典的小样本支持向量机方法对实例进行了一个三分类预测,突出类别设定为无突出、小突出和大突出,然后将因子分析法和支持向量机方法结合,通过对上述分类问题的验证,得出二者结合的组合模型可使分类准确率得到一定提升的结论；在回归问题的研究中,将支持向量回归机模型运用于煤矿安全的预测中,包括近几年煤矿安全事故死亡人数和百万吨死亡率两个方面：首先分别用灰色GM(1,1)模型和经典的支持向量机模型进行预测,然后将二者结合起来,充分发挥两种方法的优越性,也验证了改进后的模型具有较高的预测准确率。