SVM方法的核函数及其参数的选择,仍没有形成一个统一的模式。针对此现状,本文分析了现有的网格搜索法(Grid Search Method, GSM)和双线性搜索法(Bilinear Search Method, BSM),并对GSM和BSM进行了改进,提出了一种新的基于RBF核的SVM学习算法的参数优化方法——双线性网格搜索法(Bilinear Grid Search Method, BGSM)。BGSM方法结合了BSM和GSM方法的优点,设计出了一种更为有效的学习算法,该方法在保持分类精确率不降低的情况下,大幅度减少了SVM的训练量。BGSM方法用于UCI数据的验证,实验结果表明,BGSM方法比相关的方法具有更好的学习效率和较高的学习精确率。BGSM方法应用到蛋白质二级结构预测领域也得到了比相关算法更好的学习精确率。采用了滑动窗口技术和多重序列比对方法对氨基酸残基进行编码。通过比对未知蛋白质序列和已知蛋白质序列的相似程度,以判定二者之间是否具有同源性,从而获得蛋白质进化过程的信息。本文通过改进GSM和BSM方法,设计和实现了一种以RBF为核的SVM优化算法,通过对学习方法和学习策略等方面的改进,使得BGSM具有比相关方法更好的学习性能和较高的学习精确率。