支持向量机是基于统计学习理论的一种新的数据挖掘技术,它借助于最优化方法来解决复杂的机器学习问题,并且有着良好的理论基础的支持。结合本文研究内容,首先探讨了支持向量机的数学基础理论,从分类问题展开,分析了线性可分问题,近似线性可分问题,以及线性不可分问题的支持向量机算法理论,并且在此基础上深入的研究了支持向量机的算法。本文的主要工作如下:1、深入研究了SVM中用于训练大规模样本问题的SMO算法,对影响SVM算法性能的参数取值问题,分析比较了网格搜索方法的优点,并结合WisconsinBreast Cancer数据库,得出SVM应用于大规模样本和参数选取的较优方法。2、提出带进化信息的滑动窗口法,选择了RS126数据集并采用滑动窗口方法对数据集中的数据进行向量化,确定支持向量机的输入向量和对向量归一化,再利用网格搜索法得到针对该问题的优化参数,得到支持向量机对蛋白质二级结构预测问题有69.5061%的分类精度,最后通过和其他算法在该问题上的分类效果的比较,证明结合滑动窗口法的支持向量机对蛋白质二级结构预测有较好的分类效果。