由于支持向量机在处理高维小样本数据时的识别精度显著优于传统机器学习方法,因此支持向量机的多分类编码方法与应用研究是近年来多分类研究的热点。但是由于采用SVM进行多分类时必须将SVM的二分类扩展至多分类,易出现决策盲区、数据集倾斜,Consistent-diverse等问题,从而导致最终决策产生偏差甚至是错误的情况,因此,本课题拟舍弃现有的lvs1、IvssA、ECOC等思想,通过一种全新的思路和视角来构建基于SVM的多分类模型以解决上述问题。本论文的主要研究工作包含：设计了一种获取样本集线性可分情况的简单有效的方法,并在此基础上,提出了一种基于支持向量机的多分类模型的构造方法,旨在优化支持向量机的多分类效果和效率,弥补上述算法的不足；以BreastTissue数据集为例进行方法解释,完成对应的算法设计和编码实现；运用不同的数据集(Iris、BreastTissue、Statlog(Image Segment)),对本文提出的支持向量机多分类方法进行效果验证,对比其他多分类算法,验证分类模型的正确性和有效性；最后,总结了课题研究工作,并对下一步的研究工作进行了展望。