支持向量机(SVM, Support Vector Machine)作为机器学习(Machine Learning)的一个重要研究分支,近年来正受到越来越多的重视,并成为了机器学习当中的一个研究热点。支持向量机理论的其中一个特点就是追求系统风险最小化。正是这种优越的特性使得其应用价值得到了广泛的肯定。随着支持向量机从理论研究走向实践应用,实际工程应用对其也提出了更高的要求,其中一个要求就是支持在线学习功能。机器学习中在线学习算法也是一个重要研究分支,而由于支持向量机的理论和应用价值突出,其在线学习算法近年来也成为了热点之一。几种支持向量机的在线学习软件算法也相继被提出,并有了良好的应用效果。随着嵌入式的进一步发展,支持向量机的在线学习硬件算法也将会突出其理论和应用价值。虽然其在线学习运算中,核函数的计算非常耗时,有使用硬件加速的需要,近年来对支持向量机及其在线学习的硬件算法研究却比较少,之前所提出的软件算法也难以称得上真正意义上的硬件友好,因此该研究分支将有很大的发展空间。本文针对以上问题,做了如下工作：(1)概述支持向量机的发展背景、应用领域和研究现状,并详细介绍了支持向量机的数学原理,对原理中中各部分所涉及的理论进行了比较完整的叙述。(2)介绍和总结了支持向量机的在线学习算法的研究现状和一些软件实现方法,并重点介绍了支持向量机的硬件实现算法以及相应的硬件实现原理描述。并对现有的硬件实现方法加以总结。(3)针对已有支持向量机的硬件实现架构没有涉及在线学习的核心——核函数硬件实现的问题,提出了两种支持向量机核函数运算硬件实现方法。这两种方法均支持多种核函数运算,并采用了串行运算的方式,回避了原有架构对样本数不够灵活和面积对样本数过于敏感的缺点。此外,还对两种实现方法在多个角度进行对比,探讨其优缺点。