当今,由于海量数据的形成,迫切需要将这些数据转换成有用的信息和知识,促进了数据挖掘的应用,使这一技术迅速得到发展和完善。数据挖掘是数据库、人工智能和统计学等学科的研究热点领域之而分类技术作为数据挖掘技术的一个重要研究方面,受到研究者们的广泛关注。支持向量机(SVM)是最重要的分类技术之一,也是近年来机器学习领域的研究热点,是借助最优化理论解决分类问题的有力工具,在许多实际分类应用中都表现了良好的性能。本文对SVM分类器分类结果的置信度评估及决策修正算法进行了研究,利用直接得到的观察量来反映识别结果之间的相对可靠性,共设计了四种算法。通过实验证明了其中一种算法为最佳算法。在该算法中,我们在分类器预测阶段获取待测样本和最优分类超平面的距离,并且计算待测样本的j个近邻训练样本与待测样本经Libsvm判断的初始分类结果同属一类的概率。对于给定的拒识率,该算法拒识并修正置信度小于相应置信度阈值的样本分类结果。实验结果证明此置信度评估及决策修正算法能够很好地提高分类中常用的Libsvm分类器的性能,并且该算法具有相当的稳定性。