该文研究了一种新的支撑向量机模型—光滑支撑向量机(SSVM)及其在分类和回归问题中的应用.SSVM模型的基本思想是将标准的支撑向量机模型转化成一个无约束二次凸规划模型进行求解.在求解过程中,由于转化所得的目标函数不具有光滑性(不一次可微),需引入光滑函数对目标函数进行修正.该文主要做了两方面的工作:(1)提出了两种新的光滑函数,即分别具有一阶和二阶可导性的分段多项式函数,讨论了它们的性质特征,以及估计了他们对原函数的收敛阶数.然后建立了相应的光滑支撑向量分类模型(SSVC),并对其关于原模型的收敛性进行了证明.在模型的求解方法上,根据光滑函数的不同,分别采用BFGS方法或Newton法,搜索方式则采用Armijo线性搜索.进行的数值实验表明采用分段多项式做光滑函数,在对SSVC的求解速度、有效性、稳定性上均比目前文献上已有的结果要好;对于线性和非线性分类问题,应用SSVC模型均能得到令人满意的求解效果.(2)将SSVM的思想进一步推广到回归问题,建立了相应的支撑向量回归模型(SSVR).由于SSVR模型的目标函数不再是凸函数,故采用BFGS方法进行求解.数值实验表明,对于线性回归问题,SSVR模型给出了非常好的求解结果;对于非线性回归问题,如果核函数及其参数选取恰当,结果仍然令人满意.为了使得模型能够处理大样本学习问题,在该文的所有求解算法中均引入了增量学习的思想,从而使学习的时间大大减少,但付出了学习精度略微降低的代价.