支撑向量机(SVM)是九十年代中期发展起来的新的机器学习技术，与传统的神经网络(NN)技术不同，SVM是以统计学习理论(SLT)为基础，NN是以传统统计学习理论为基础．传统统计学的前提条件是由足够多的样本，而统计学习理论是着重研究小样本条件下的统计规律和学习方法的，它是机器学习问题建立了一个好的理论框架．实践证明，建立在统计学习理论(SLT)之上的支撑向量机不仅结构简单，而且技术性能尤其是推广能力明显提高，能够解决好大量现实中的小样本学习问题，它是一个全新的神经网络技术．目前，SVM已成为国际上机器学习领域的研究热点．本文希望能深入系统地对支撑向量机(SVM)进行了研究讨论．论文的主要贡献可归纳如下：首先，第一章简要介绍了由于传统神经网络的发展和它在机器学习上的缺陷，导致支撑向量机的诞生；并提出了研究和应用支撑向量机的必要性和重要性以及现有支撑向量机的研究成果和存在的不足．第二章探讨了支撑向量机理论基础，主要介绍了支撑向量机概念和一般的较为通用的求解算法，而且也给出了这种算法的数值试验，同时也体现出了该方法的缺陷和需要改进的地方，为以后的支撑向量机方法的改进提供了理论基础．其次，第三章介绍了支撑向量机的光滑技术，也是本文要介绍的重点内容．主要是从支撑向量机模型的非光滑性方面考虑，沿着前几位工作者的研究方法又提出了一种新的多项式光滑函数，从而提出了SSSVM方法，同时通过具体的数据试验证明了此方法与其它几种方法相比的优势所在．再次，支撑向量机在解决线性不可分问题时除了运用通用的核函数方法外，许多科学工作者也提出了很多新的简单模型，但在这方面的研究还是正处于探索阶段．为了进一步提高支撑向量机的通用性以及推广能力、应用能力、识别性能等性能，在第四章作者根据线性不可分数据点的结构特点并运用了几何学中的球结构模型及支撑向量机中的核函数方法对支撑向量机进行研究，从而对线性不可分数据进行分类，产生了球结构支撑向量机，并设计了算法来说明它的可行性．