支持向量机是一种机器学习方法,它以统计学理论为基础,在解决小样本非线性问题上表现出了特有的优势,自提出以来,一直受到重视。目前仍存在很多问题尚未解决,因此需要对支持向量机进行深入的研究。本文对传统支持向量机算法进行了改进,并将支持向量回归机应用到实际问题中。本文主要的工作如下:　　第一,支持向量机在处理不平衡样本集时,对少类样本点的分类效果不太理想。提出一种对多类样本集的欠采样方法。该方法可以有效地减少多类样本的样本点,使分类面向样本点较多的样本点移动。结合标准数据库中的数据集,使用提出的算法进行仿真实验,实验结果表明该方法可以有效地提高分类性能。　　第二,针对支持向量机处理大样本集所用的时间空间较大的问题,提出一种支持向量机缩减算法,在保持分类正确率的前提下,缩减样本集和支持向量的数目。　　第三,参数的选取对支持向量机性能的影响较大,并且通常的选取参数方法所需的时间较长。虽然核校准广泛应用于支持向量机参数选取问题中,但是它仍存在不足。综合核校准方法和特征空间中样本集的分布提出一种核校准改进方法。实验结果表明该方法是有效可行的。　　第四,对支持向量回归机应用进行研究,建立了基于支持向量机的烟草资源预测模型。针对烟草人工分配粗线条与呆板的缺点,将客户属性与烟草资源分配相结合,选定特征属性,采用支持向量机建立模型,预测烟草订购量。