分类技术是众多应用领域的关键技术，用于分类技术的方法有多种多样。与其它方法相比，支持向量机方法是以结构风险最小化为学习原则，具有较好的泛化能力，且在非线性和样本属性维数高的分类问题中有较大优势。　　 支持向量机最初是针对二分类问题提出的，现在其热点之一是推广到多分类问题。从几何意义上来看，支持向量机可以分为超平面支持向量机和超球面支持向量机，虽然前者的研究较为成熟，但在多分类问题处理类别之间样本数目不平衡的情况下，超球面支持向量机会更加适合。　　 在分析了常用的超球面支持向量机方法基础上，本文提出了两种新的超球面支持向量机方法，主要包括：　　 (1)引入正负超球面分隔两类样本，并把负超球面半径和正超球面半径之差的大小作为衡量该方法泛化能力的一个指标，提出了最大间隔同心超球面多类支持向量机(MMCHM-SVM)方法。　　 (2)基于调节训练样本中的分类错误率和支持向量数占训练样本总数的比例的目的，引入了参数v1，v2，通过改进MMCHM-SVM方法，提出了v1，v2-MMCHM-SVM方法，并证明了参数v1，v2的意义。　　 最后，通过对UCI机器学习数据库的若干数据集进行的实证分析，本文验证了v1，v2-MMCHM-SVM方法的有效性。