支持向量机是统计学家Vapnik根据统计学习理论提出的一种新的学习方法,其最大特点是根据结构风险最小化准则,有效地避免了过学习、维数灾难和局部极小等传统分类中存在的问题,在小样本条件下仍然具有良好的泛化能力,受到了广泛的关注。本文首先总结和介绍了支持向量机的数学模型。通过两组已知分类的样本数据,找到一个最优的超平面,使得两组样本数据最大程度的分开。为解决这一优化问题,建立了一个二次规划,通过带入样本进行训练和求解,得到决策函数。待分类的样本可以通过决策函数归类。若在上述模型中,引入模糊隶属度的概念,即形成了带有模糊信息的模糊支持向量机。在模糊支持向量机中,隶属函数有着很重要的地位,一定程度上决定了该算法的优劣。支持向量一般都位于每个类的边缘,而且对于最优超平面的确定有着重要作用。根据这一特点,本文提出了一种新的隶属函数,同时考虑了距离和角度的概念,使得越接近类边缘和类中心向量的样本数据所拥有的隶属度越大。并且基于这一理念,调整了样本数据预处理的方法。在这一基础上,结合最小球半径的处理方法,对模型进行了补充和优化。通过仿真实验对比证明,基于新的隶属函数的模糊支持向量机是准确的、快速的、有效的,能够在一定程度上对原有的模型进行改进。针对非确定性问题,本文介绍了两种解决的方法：双向加权法和后验概率法。这两种方法不仅可以根据数学模型将已有的样本数据正确的归类,而且可以用归类的结果总结出决策函数,对于再次给出的样本数据进行的分类。