自支持向量机(SVM)提出以来,因其具有良好的预测性能而广泛应用。支持向量机是许多复杂二分类问题最有效的监督机器学习算法之一。支持向量机基于黑盒模型,在数据挖掘建模的过程中隐藏了具体的分析细节,导致许多应用支持向量机模型解决问题的用户,仍然不太清楚其内部的分类机制。大数据可视化技术是当前的研究热点,如何有效地融合数据挖掘和可视化,一直以来都备受关注,并且充满着挑战。本文以支持向量机模型为核心,从特征维度和核函数类型对面向SVM模型可视化技术展开研究,将可视化技术分为了三大类:(1)基于二维特征空间的SVM模型可视化技术;(2)基于三维特征空间的SVM模型可视化技术;(3)基于多维特征空间的SVM模型可视化技术。并针对目前三维特征空间和多维特征空间SVM模型在可视化直观性和反映数据与超平面距离关系上存在的困难,提出了不同的可视化策略。在三维特征空间中,可视化存在的主要问题是非线性核决策函数难以有效转换。本文提出了一种基于移动最小二乘法拟合的三维特征模型超平面可视化策略MLS-SVMVis。MLS-SVMVis基本思想是基于网格采样+曲面拟合,它通过网格采样靠近超平面的数据点,然后以此为基础,利用移动最小二乘法对超平面进行拟合。MLS-SVMVis在保持拟合效果的同时,还具有很好的光滑性。并且能够解决通过点密集程度刻画超平面存在的视觉缺陷。在多维特征空间中,可视化存在的问题除了非线性核决策函数难以有效转换,还有维度约束。本文提出了一种基于t-SNE点重构的多维特征模型超平面可视化策略PR-SVMVis。PR-SVMVis基本思想是根据t-SNE基于邻近概率分布降维原理,以高维数据在二维空间上的分布和点到超平面的距离作为重构信息,然后将重构后的信息进行可视化展示。PR-SVMVis在保持数据全局结构和局部结构的同时,还能准确地刻画出数据与超平面之间的关系。PR-SVMVis既适用于多维特征空间非线性核SVM模型,又适用于适用于多维特征空间线性核SVM模型。最后,结合本文提出的可视化策略,设计并实现了一套面向SVM模型的交互式可视化分析系统。