与神经网络、决策树和贝叶斯网络等传统识别工具相比，支持向量机的原始问题模型建立在凸规划模型以及严格的统计学理论基础之上，所以支持向量机具有更好的泛化能力和获取全局解能力。与一般的线性机器学习方法相比，支持向量机在对非线性问题的解决中，在引进核函数的过程中，以向量内积的方式避免了非线性数据集在向高维的线性特征空间映射时所带来的维数灾难问题。但是原始问题的解决算法对内存耗费的过高需求使之不适合应用于样本数目多和维度大的数据集，使之在森林健康监测系统中，无法很好地满足视频图像的监测所需要的实时性和低误差要求。为此本文重点研究了支持向量机在核空间下的边界提取算法、分解分块算法的提升和参数选择算法，以此来提高支持向量机在森林健康监测系统中的处理性能。在传统的边界提取算法中，虽然也是在映射后的核空间中进行，但是度量的单一性使之无法广泛在各种不同分布特点的数据集上获得良好的处理效果，因此在核空间下提出了新的度量模型。而现有的分解分块算法会在较大程度下，使决策函数偏离最优解，因此在改进现有的分解算法的基础上融合分块算法，提高算法的效率并使决策函数能更好的接近最优解。另外，本文从奇异点比例来界定新算法预测精度的角度来进行参数优化，避免了中间训练器的产生，提高了寻参效率。来自UCI和Statlog等多个数据集的仿真效果说明了新算法的有效性。在森林健康监测系统中，森林火灾的监控识别是其重要组成部分，本文在森林健康监测系统中的主要应用也是在此。在现有的主要监测系统中，很多系统根据视频中的烟雾特征进行识别，但是在夜晚时，由于光亮对比，烟雾往往无法被识别出来；再者，现有的系统识别中也容易与有源灯光有所混淆。本文根据火灾发生时的动态性变化和火灾区域的不规则性，提取了火灾区域的动态特征和不规则度量，以此作为火灾识别的部分特征值，设计了两层支持向量机训练器，在多个监控视频的实验验证中，获得了良好的森林火灾识别精度和速度。