支持向量机(SVM)是由Vapnik及其研究小组于1995年在统计学习理论的基础上提出来的一类新型的机器学习方法,由于其出色的学习性能,该技术己成为当前国际机器学习界的研究热点。用于回归估计的支持向量机方法(SVR)以可控制的精度逼近非线性函数,具有全局最优、良好的泛化能力等优越性能,得到了广泛研究。但是其理论体系和学习算法的实现仍然有大量问题有待发展和完善,如何设计快速有效的算法是SVR实际应用中的瓶颈问题,而且其在应用方面的研究也相当缺乏。 本文首先介绍了几种SVR算法,通过理论推导及改造SVR优化式,提出了一种新的用于回归估计的支持向量机的优化算法LSVM-R。而后围绕应用问题展开了一些研究,针对医学上三类血浆脂蛋白(VLDL、LDL、HDL)样本中胆固醇含量测定的问题,提出了利用SVR和LSVM-R进行回归估计的方法,并与BP网络方法进行了比较:针对物理上光的衍射和干涉实验提出了利用SVR对实验数据进行曲线拟合的方法,并与最小二乘法的方法进行了比较。实验表明上述所提出的方法在整体性能上优于BP网络方法和最小二乘法的方法。