现实生活中,模式识别问题,特别是多分类模式识别问题覆盖领域十分广泛,如疾病的诊断、健康检查、指纹识别,以及像电力系统、交通系统等许多大型复杂系统的故障诊断等,都可归结为模式识别问题。基于统计学习理论的支持向量机方法,是一种前沿性分类方法,在解决小样本、非线性及高维模式识别问题中表现出独特的优势和良好的应用前景。基于支持向量机的基本分类理论是针对两分类问题提出的,对多分类问题,由于训练样本中噪声多、类别不确定、各样本数目不均衡等原因,支持向量机的理论与应用研究还处于探索阶段。因此,对基于支持向量机的多分类方法研究是一项有意义的工作。论文针对统计模式识别实际问题中训练样本数据获取困难、噪音多、各类别样本数目不均衡等问题,将模糊支持向量机的思想与支持向量数据描述结合起来,提出了基于模糊加权的支持向量数据描述的多分类方法。主要研究内容和取得的成果如下:(1)分析国内外统计模式识别方法的研究现状,系统研究分类的前沿技术——支持向量机的基本理论和方法,探讨目前基于支持向量机的多分类方法,比较它们的优缺点;研究模糊支持向量机的思想和原理,为模糊加权的支持向量数据描述的研究奠定基础。(2)分析支持向量数据描述用于1-类分类和奇异点检测的特点,将其扩展到多分类问题中,同时针对训练样本中的噪音,用改进的噪声聚类算法确定模糊隶属度,构造多分类决策函数,提出基于模糊加权的支持向量数据描述多分类方法。用Bayes理论分析,结果表明,提出的分类决策函数满足Bayes决策分类规则。(3)利用UCI数据库中的数据集和汽轮发电机组的故障诊断数据,分析评价模型识别效果。