随着信息化技术的发展,人们获取数据的能力越来越强,进入了大数据时代,数据挖掘成为这个时代的必然工具。显然,深度学习的任务和应用成为主流支持向量机算法具有坚实的理论基础和良好的分类效果,但所有数据挖掘的算法,由于其可行性强,仍然受到人们的重视。一般地,支持向量机算法在不平衡数据和冲突数据时分类效果不理想,因此,本文研究了融合证据理论的SVM分类算法。论文主要工作:1、概括课题研究的背景和意义以及其他数据挖掘算法,对传统的证据理论和支持向量机算法的基本原理和算法实现过程进行阐述说明,并针对算法的优缺点进行分析。2、针对证据间的冲突以及证据的自冲突对数据分类的影响,我们对传统的证据合成方法进行改进,根据证据的自冲突和证据间距离最小原则提出了一种新的证据理论合成算法。并对不平衡数据和噪声数据进行加权处理,提高分类精度。通过数据信度函数转化,将不同核函数构成的不同基分类器得到的BPA函数合成,从而提出一种融合证据理论和SVM的分类算法—WSVMDS-算法。3、在UCI公共数据集进行实验验证,并与传统的KNN算法和支持向量机算法作对比分析。本文提出的方法在二分类和多分类问题中均体现较好的性能。