传统统计学研究的是样本数目趋于无穷大时的渐进理论,而统计学习理论研究的是小样本条件下的学习理论。由于实际的样本数量是有限的,因而在理论上统计学习理论有其优越性。基于统计学习理论和结构风险最小化原则的支持向量机不仅模型结构简单,而且具有良好的泛化能力。因此,其受到了广泛的关注,并逐渐成为机器学习领域的研究热点之一。随着通信、信息与电子工程以及计算机技术的快速发展,智能交通系统越来越受到广泛重视,从而对车型识别、车牌识别和交通流预测等技术提出了更高要求。本文以支持向量机为基础,对模式识别和回归分析的基本算法及其在智能交通系统中应用进行了广泛的研究。本文的主要工作以及成果包括:(1)在中心型支持向量机基础上,吸取了解决各类别样本数量不均衡和增量学习的思想与方法,定义了一种新的权系数矩阵,并结合多类别分类问题,提出了均衡增量型多类别分类算法。实验结果表明该算法具有较高的稳定性和判别精度。(2)通过对几种多类别分类算法的研究,分析了这些算法的优缺点,并结合霍夫曼树,提出了一种基于霍夫曼决策树的多类别分类算法。最后在多种开放式数据集上进行仿真实验,结果验证了该算法不仅具有较高判别精度,而且训练效率非常高。(3)首先比较系统地对支持向量机回归的理论和基本实现进行研究,然后分析了v-SVR的优点与不足,并提出v-ESVR算法。实验结果表明该算法可以有效地进行非线性系统建模;具有与v-SVR算法相类似的特性;另外,其对偶模型非常简单,可以较方便地设计增量学习和在线回归算法。(4)在简要地介绍了智能交通系统的特点和相关技术基础上,分别使用基于霍夫曼决策树的多类别分类算法和v-ESVR算法来处理车型识别和短时交通量预测问题。最后实验表明支持向量机在交通系统中应用的可行性和有效性,并具有广阔的前景。