支持向量机(SVM)技术是由V.Vapnik于20世纪90年代中期提出的一种能处理非线性分类、回归等机器学习问题的新模型。近几十年其理论研究快速成熟,实际应用也被越来越多的领域重视。传统分类方法是从归纳到演绎的分类过程,面对一些多维非线性问题往往效率低下,测试精度不高;而SVM则简化分类过程,用训练数据到测试数据的转导推理(transduction inference)代替传统方法[2]。SVM模型只需要确定少数几个参数即可确定决策函数,其他参数可以根据经验固定选择;而且时间复杂度尤其是空间复杂度取决于支持向量的数目,而不是属性维数,对比以前的分类方法,缩短分类时间,减少存储空间。本文所做的工作主要围绕SVM用于分类问题开展,研究成果分为下面两个部分:1、针对当前模糊支持向量机(FSVM)使用特征空间样本与类中心之间的距离构建隶属度函数的不足,首次利用熵的不确定性定量化度量特征和蚁群算法(ACO)的智能性,与FSVM模型结合,提出一种基于熵和ACO的FSVM新方法(EAFSVM)。求得的聚类中心和隶属度能更准确的反映数据本身的特点,提高测试精度。对比SVM和FSVM,EAFSVM模型测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。2、由于支持向量机(SVM)的有效性依赖于对数据信息获取的准确性,针对传统SVM模型对数据信息考虑单一导致分类精度不高、泛化能力不强的问题,结合概率分布特性和等价类关系,提出了一种双系数控制分类的新模型。以双系数方式改进传统参数,优化SVM,为每一个样本同时赋予概率值和等价类系数,充分挖掘数据信息内在规律和联系。该模型能有效利用数据信息,与传统SVM、FSVM和RSVM相比有较高的测试精度,能有效提高分类能力,具有较高鲁棒性。