支持向量机(Support Vector Machine,SVM)方法是在统计学习理论(SLT)基础上提出的一种新的学习方法,是目前为止最成功的一种分类工具。本文在介绍支持向量机(SVM)基本原理的基础上,探讨基于支持向量机的科技公共服务平台满意度评价方法。利用因子分析等方法科学的确定科技公共服务平台满意度评价体系。根据支持向量机多分多类的方法,细化了评价类别,使得评价更为具体。通过大量实地调研,以青岛市10家科技公共服务平台进行应用检验,选取其中8家相关满意度调查数据作为学习样本,2家作为预测样本来识别待研究科技公共服务平台类别,通过验证,使用支持向量机得到的分类结果正确率达到100%。同时对比BP神经网络模型得出对于科技公共服务平台满意度评价,支持向量机是一种更具优势的方法。在肯定支持向量机优点的同时,结合实际应用过程中出现的问题,指出支持向量机评价方法本身存在的局限,提出改善或补充的方法。使用支持向量机对科技公共服务平台满意度进行准确有效的评价,通过建立综合满意度评价指标体系,进行理论与方法的研究,建立一套科学的评价模型,得出具有泛化应用价值的评价体系,对评价结果进行科学分析,为政府有关部门提供辅助决策信息,为平台运行模式的创新提供方向,并可发现平台运行过程中存在的问题,寻求绩效优化的途径。借助于支持向量机进行科技公共服务平台满意度评价是对科技公共服务平台评价的前沿探索。本文选择从顾客满意度角度出发进行科技公共服务平台评价,打开了科技公共服务平台评价的新视角;结合因子分析法等手段,对指标体系进行了优化与确定,较以往关于科技公共服务平台的模糊评价有着准确、简便等方面的优点;同时采用多类分类方法在优化评价效果和完善评价方法等方面创新性突出;通过建立对满意度评价指标体系和评价模型,并以青岛市10家科技公共服务平台进行案例检验,在应用价值和指导现实工作等方面创新性突出。