支持向量机的性能主要取决于它的参数,参数选择不当,支持向量机就可能出现"过学习"或"欠学习"现象.应用于二次损失函数支持向量机(L2SVM)的参数优化方法——基于RM界的梯度下降法优化速度快、优化的参数也较准确,但目前关于L2SVM的研究报道较少.该文研究表明该优化方法对某些数据无效;L2SVM和标准支持向量机(L1SVM)对平衡数据有相似的分类能力;但L2SVM对高噪声和不平衡度高的数据的分类效果差,且支持向量数远大于L1SVM.针对L2SVM支持向量多的缺点,提出了一种利用黄金分割原理缩减冗余支持向量的方法,该方法最后冗余的支持向量数不超过一个,从而提高了L2SVM的分类速度.正是由于基于RM界的梯度下降法应用对象和范围有限,该论文进一步研究了克服"基于κ重交叉检验的枚举法"计算量大的缺点的方法.通过引入均匀设计和支持向量回归估计(SVR)法,提出了"基于κ重交叉检验的均匀设计法",从而把优化所需训练和测试的SVM的数量从传统枚举法的k·n减少到k·n(N为参数的水平数,m为参数的数目).实验证明,该方法不仅大大加快了优化速度,而且优化效果与枚举法非常接近,适用范围广.分类速度慢是支持向量机的主要缺点之一,该文通过引入特征向量选择(FVS)法,构建了一种投影支持向量机(PSVM).