支持向量机(Support Vector Machines，简称SVM)是由Vapnik等人提出的一种新型机器学习方法。由于其出色的学习性能，该方法已成为机器学习界的研究热点，并在很多领域都得到了成功的应用，如人脸检测、手写体数字识别、文本自动分类等。在医学图像分析领域，带标记线的MRI左心室运动分析研究的目的是要获得左心室心肌上的任一个质点在一个心动周期内的运动轨迹。本文探索性的将SVM引入左心室的形变计算(即左心室运动分析)中，在此基础上提出一个基于支持向量回归机(SVR)的左心室形变计算模型。本文工作包括： (1) 较为系统地介绍支持向量回归机 由于专门介绍支持向量回归机的文献较少，本文比较系统地讨论了支持向量回归机的相关知识。在学习理论层阐述了支持向量回归机的基本原理；在算法层基于ε-支持向量回归机和u-支持向量回归机阐述了支持向量机的学习算法。 (2) SVM的训练算法的改进 本文在对SVM学习算法的深入分析基础上，提出一种基于u-支持向量回归机的改进算法，并以仿真实验验证其效果。 (3) 对SVM核函数、核参数选取的讨论 在使用SVM进行学习时遇到最多的问题是如何选取核函数和核参数。很多学者对此做了深入的研究。本文也在此基础上对核函数、核参数的选择进行了研究，并提出了一种改进的核参数选取策略。仿真实验表明该策略具有良好的性能。 (4) 设计基于SVM的MRI左心室形变计算模型 由于心脏在运动过程中包括位移、扭曲、旋转、收缩或者扩张等多种形变，并且没有太多的规律可循，这就使得要从一些稀疏的观测数据来拟合、预测心肌的运动轨迹显得很困难。本文提出的基于SVM的心肌形变计算模型具有算法简单、不加入对心脏的任何假设、计算精度高、速度快的特点，是一种有效可行的方法。