激光全息图片一般被称为光学可变图像，现广泛应用于各行各业的防伪业务中。随着激光全息技术的不断发展，光学可变图像的发展主要有两个方向：一是与其他多种技术融合，将激光全息技术作为载体，形成特殊的、多样的视觉效果；二是采用图像处理技术在光学可变图像中加入细微辨识点和隐藏信息，通过机器来识别这些信息点。也就是说，随着激光全息技术的发展，仅仅依靠肉眼来辨识光学可变图像变得越来越困难和不可靠。因而，急切的需要找到一种方法能够准确、快速的鉴别真假光学可变图像。　　 本文针对光学可变图像识别中“高维度”和“小样本”的特点，采用支持向量机对其进行识别研究，主要的工作如下：　　 1.采用单类支持向量机对光学可变图像进行识别研究。采用光学可变图像的代表图像--激光防伪标签建造数据集。单类支持向量机具有只对目标样本感兴趣的特质，这种特点可以很好的解决样本不平衡的问题。通过实验证明，单类支持向量机对光学可变图像的识别准确率可以达到95％以上，并且具有良好的鲁棒性。另外，对比单类支持向量机和线性甄别分析算法对光学可变图像的分类性能，可以得出单类支持向量机能够获得比以往基于经验风险最小化的机器识别技术更高的分类精度和更好的结果鲁棒性。　　 2.采用模糊支持向量机对光学可变图像进行识别研究。模糊支持向量机能够解决支持向量机在进行多分类时常常会出现的“不可分区域”，减少甚至消除“拒分”现象。实验结果证明，模糊支持向量机对光学可变图像也有着良好的识别效果，并且在较低维度时也能保证高的分类精度。对比模糊支持向量机和单类支持向量机对光学可变图像的分类结果，可以看出模糊支持向量机可以在匹配的特征输入下得到比单类支持向量机更高的分类精度。　　 3.对比单类支持向量机和模糊支持向量机对光学可变图像的分类效果。对不同的支持向量机采用不同的特征提取方法作为输入信号。对单类支持向量机，采用纹理特征作为输入线号；对模糊支持向量机，采用独立成分分析(ICA)提取图像中的独立成分作为支持向量机的输入信号。实验结果表明，模糊支持向量机和独立成分分析结合的方法以花费更多的训练时间为代价换取更高的分类精度，单类支持向量机可以在实验时间较短的情况下得到令人满意的分类精度。