模式分类是现实生活中普遍存在的问题，它已经发展到一个相当成熟的阶段。但是同时，它也存在一些问题，如对分类模式的特征变量过多的局限性，样本获取困难，所获取的信息具有的不确定性致使难以判别等问题。基于统计学习理论的支持向量机(SVM)方法是一种新兴有效的模式分类方法。它在解决非线性、小样本以及高维模式分类问题中具有独特的优势和良好的应用前景。D-S证据理论是一套基于“证据”和“组合”来处理不确定性推理的数学方法，可以很好的解决不确定性问题，通过D-S证据合成，使待识目标的不确定性下降，能有效地提高目标的识别能力，它在实际应用中体现了良好的性能。对模式分类问题中所获取的具有相当程度的不确定性的信息，可以利用D-S证据理论处理不确定性信息和数据的优势，将其应用于模式分类中，将一个模式分类问题由多个SVM分类器来完成，并将多个分类器的输出进行应用D-S证据理论合理地组合，能提高分类精度，使待识模式进行分类造成的错误识别率最小，或引起的损失最小，能效地解决不确定高维数据模式分类问题。本文所研究的就是将SVM与D-S证据理论相结合，发挥各自优点，得到融合模型从而更好地解决分类问题，本文主要研究成果具体如下：把标准的两类SVM扩展为多类SVM，引入SVM的后验输出概率，将二者结合，得到多类概率SVM，通过实验得知此多类概率SVM分类性能优于一般的硬判决方法。利用多类概率SVM得到基本概率分配函数，从而可以构建多类证据支持向量机。在证据支持向量机采用合成规则融合过程中，“一对一”策略的证据在融合过程中会出现证据冲突，本文提出了一种简化多类支持向量机融合过程的新方法，可以有效避免二次使用Dempster规则时产生冲突。采用非概率输出的方法来定义基本概率分配函数，本文提出了一种改进于多类SVM投票法的方法，使用SVM判别实值输出距离计算基本概率分配函数权值的模型，利用D-S证据理论进行融合判决结果。实验结果表明本文提出的方法明显优于原来的方法。