统计学习理论是一种专门研究小样本情况下机器学习规律的理论。支持向量机(SVM)是建立在统计学习理论基础之上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，克服了神经网络分类和传统统计分类的许多缺点，具备较高的泛化性能。 本文对SVM的原理、分类算法、实现和应用进行了深入地研究，提出了SVM算法的一种DSP实现方法，并通过CCS软件仿真和开发板调试，验证了该方法的可行性。实验结果表明了运算效率的提高，以及在实际系统应用的可行性。论文的主要工作包括： (1)SVM是建立在VC维，泛化性能和推广能力之上的一种理论，对SVM中的相关概念支持向量和核函数进行了介绍。 (2)SVM算法的分析和研究：在SVM理论基础之上形成了很多SVM算法，从经典的基本分类算法到块算法，再到分解算法以及由分解算法派生出来的各种改进的分解算法，本文重点研究了SMO算法。 (3)本文对DSP的硬件结构和软件开发进行了研究，并对SVM算法在DSP上的实现进行了基本探讨。 (4)基于支持向量机的话者识别是本文的另一个研究内容，提取表征说话人个性的特征和寻找高效的识别算法是话者识别取得良好性能的关键。本文讨论了利用MFCC系数和SVM算法的话者识别。