由Vapnik等人提出的支持向量机(Support Vector Machine, SVM)技术,由于具有极强的模型泛化能力,不会陷入局部极小点,以及很强的非线性处理能力等特点,近十年来取得了全面飞速的发展,获得了大量成功的应用。当前,选择合适的核函数及其参数已成为SVM进一步发展的关键点和难点。不同的核函数确定了不同的非线性变换和特征空间,因此选取不同的核函数训练SVM就会得到不同的分类效果。在支持向量机中,通常所选的核函数必须满足Mercer条件。最常用的核函数有：多项式核、高斯核、Sigmoid核,前两种核函数由于其自身的优越性质,已经被广泛应用。而来自于神经网络的Sigmoid核函数在实际应用中却受到了限制,主要是因为只有参数满足特定条件时,Sigmoid核才是半正定的(positive semi-definite, PSD)。但令人惊讶的是,在一些实际应用中它也有不俗的表现。基于此,本文对Sigmoid核函数进行了深入研究,主要工作如下：首先详细分析了Sigmoid核函数的性质。先解释了非半正定核也具有分类能力的原因,并分四种情形讨论了Sigmoid核函数的性质；然后分析了Sigmoid核与高斯核的关系：当参数r很小且参数a→0时,二者不仅具有相似的表达式,而且具有相似的决策函数,从而说明二者具有相似的分类能力；最后给出了Sigmoid核SVM的算法——序列最小最优化算法(SMO),并通过实验验证了上面的结论。其次根据Smits等人提出的混合核函数方法,分别提出由Sigmoid核与两种高斯核组成的两个新混合核函数。先分别介绍了局部核、全局核的概念及特点；然后介绍了混合核函数的具体形式以及优点,在此基础上提出两个新核函数；仿真实验结果表明：新核函数具有较好的分类性能。