科技创新是促进国家经济增长的重要源泉,也是我国创新体系中的重要组成部分。目前全国各地均已建立了不同类型的项目创新平台,为研究者、生产者以及管理者等参与主体开展深度合作、资源共享、进行合力创新攻关带来了方便。对项目创新平台上的项目数据进行提取分析,进行项目的准确评价有着重要意义。由于创新过程是一个极其复杂和不确定性的动态社会过程,整个项目中涉及到的数据非常复杂尤其是今后随着各领域的交叉合作,平台上的项目数据会越来越多,如何对项目进行客观评价,为管理者提供准确的决策信息成为了一个亟需解决的重要问题。为解决以上问题,论文从数据挖掘的角度出发,结合机器学习方法建立评价模型。论文所涉及的主要工作包括以下几个方面:第一,介绍了关于科技创新的背景和意义,概述了当前国内外学者对解决创新项目评价问题的研究现状,以及解决问题所使用到的相关理论知识,并分析了其不足之处,最后展望了建立模型所使用的新方法。第二,论述了建立项目评价模型所涉及到的理论方法和技术,主要包括降维算法理论、遗传算法、支持向量机理论等知识。第三,依据确立的项目评价指标体系采集相应的数据并预处理获得实验数据,选用不同的核函数利用支持向量机分类器进行学习训练,通过比较预测准确率得出了最佳的核函数。为了削减数据的冗余信息,减少分类器的学习训练时间提升模型的性能,使用不同的降维算法对实验数据进行特征提取,将处理后的样本输入分类器进行分类任务,实验结果表明LLE算法在分类中应用良好。第四,通过对构建的项目评价模型LLE+SVM进行分析,指出了不足之处并进行了两点相关改进。主要是从前端降维和后端分类入手,利用样本数据自身带有的类别标签信息将传统的局部线性嵌入算法改进为带有监督功能的降维方法,增强了对数据的降维效果;针对支持向量机中核函数参数以及惩罚因子最优问题,使用改进遗传算法对支持向量机进行参数寻优,得到整体性能最佳的支持向量机。通过上述改进最终确立了高效的创新项目评价模型。准确评价是对创新项目进行有效管理的首要条件,基于本文所构建的项目评价模型能够高效准确地评估项目,对于以后在创新项目平台上进行快速客观地管理决策项目,具有重要的现实意义。