支持向量机是一种新型的机器学习方法,其理论基础是统计学习理论中的VC维理论和结构风险最小化原则。支持向量机的训练算法本质上是一个二次规划的求解问题,理论上具有全局最优解,因此被广泛应用在网络流量分类、数据挖掘、信号处理等诸多领域。本文主要研究了支持向量机算法的理论、核函数、支持向量机参数选取的方法及其在网络流量数据分类中的应用。本文具体的工作包含以下三个方面:(1)在传统的支持向量机中,最优分类超平面到正负两类样本之间的间隔是相等的,这导致分类超平面往往偏向数据集分布密集或者样本量大的那一类。针对此问题,本文提出一种基于不等距分类超平面的结构化支持向量机,该方法将不等距间隔的思想引入到支持向量机中,使得分类超平面具有较好的分类性能。另外,我们在该方法中引入样本之间的局部结构信息,以此来增强支持向量机的学习性能。最后,在UCI数据集上验证了该方法能有效的提高模型的分类精度。(2)本文研究了Fourier核函数的构造方法,并通过利用二次多项式函数代替Fourier核函数中的余弦项的方法,得到了一种新的函数,同时通过理论证明了新的函数是有效的核函数,实验表明,新的核函数能达到Fourier核函数一样的精度且计算效率高。(3)支持向量机中的参数选取,往往影响着分类器的性能。如今,常用的参数选取方法是通过智能优化算法进行选取,因此,本文提出一种新的混合算法对支持向量机的参数进行选取,有效的提升了支持向量机的泛化能力。并且将三种支持向量机应用到网络流量数据分类当中,对比分析了三种支持向量机的性能。