作为结构风险最小化准则的具体实现，支持向量机具有全局最优、结构简单、推广能力强等优点，近几年得到了广泛的研究。本文仔细研究了支持向量机理论，并针对目前一些支持向量机算法存在的缺陷，分析了产生的原因，给出两种新的支持向量机算法。本文着重就支持向量机的核函数选择和构造问题进行了研究，将小波分析与支持向量机相结合构造出四种不同类型的支持向量机模型。本文主要工作包括： (1)对非平稳信号进行处理时，信号细微特征的提取非常关键。论文尝试将小波技术和核函数方法相结合，用于处理这类信号。对采用小波基构建核函数的可行性进行了探讨，在支持向量机线性规划算法的基础上，探讨了小波基核函数的构建方法，构造出三种核机器模型，并作了实例仿真。仿真实验表明，本文构造的三种核函数表现出良好的性能，它们都优于常规的RBF核和多项式核，初步展示出该方法的可行性和优越性。 (2)作为SVM算法基础的VC维理论和结构风险最小化原则为进一步完善传统的统计预测方法和经验非线性预测方法提供了理论基础和统一的理论框架。论文在此框架下重新构建预测方法，进一步发展和完善SVM算法，结合Hilbert空间再生性理论，在Hilbert空间中构造出再生核，并将其应用于交通流量的预测中，在提高泛化性和推广能力方面体现出这种核函数的优越性。 (3)针对异步电机这种典型的非线性系统，其本身的参数辨识和相应控制器参数的自整定都是非常棘手的问题。而在线学习机器实现异步电机控制时，在待学习的参数较多时，存在优化时间过长、效率过低，不利于工程应用等问题，本文提出用核函数的方法通过减少支持向量数目，从而解决计算量过大的问题。论文讨论了SVM在异步电机控制中应用问题。实验结果表明，该方法在实际应用中是行之有效的，能减少多参数模型的优化时间。这也显示了本文提出的核机器方法的实用性和有效性。