本文以多尺度相关性的研究成果为基础，探讨了多尺度分析与支持向量机结合的不同途径，提出了松散型、紧致型、多尺度融合三种结合方式，总称为多尺度支持向量机。多尺度支持向量机可以广泛的应用于复杂系统的研究中。 首先，本文简要的介绍了支持向量机的分类与回归估计算法并构造了基于距离测度和变量投影重要性指标VIP的加权支持向量机以及利用变量投影重要性指标VIP对训练样本进行筛选，以有效的克服数据中噪声的干扰，提高运算速度与分析精度。 其次，研究多尺度分析与支持向量机的松散型结合方式。在采用以平稳小波分解为预处理工具的方法的基础上，提出以平稳小波包为预处理工具的多尺度分析与支持向量机的松散型结合方式。小波包对于信号的高频部分进一步分解，从而得到丰富的小波包基。本文根据复杂系统的分形特征，采用Hurst指数作为代价函数选择最优小波包基，实现系统的分形特征与尺度特征的互补。 再次，将多尺度系统理论的三个基本点进行扩展，以此为基础提出了多尺度支持向量机的紧致型模型。多尺度支持向量机模型将待处理信号在不同的尺度上进行分析与描述，通过在多尺度支持向量机的框架内进行优化，获取多尺度之间的相互关系，进而得到反映多尺度的结合信息的输出结果。本文推导出最小二乘支持向量机的转导模型，并构建了基于平稳小波包分解、支持向量机和转导支持向量机的三层多尺度信息融合框架体系。