文 献 综 述 随着Internet技术的出现和通信相关技术的飞速发展，网络上的各种信息呈指数级增长;但是随着数据库等相关技术的进步，收集和保存这些数据变得越来越容易。

面对大数据量的信息数据，传统的数据分析工具只能进行一些简单的数据查询和统计,并没有完全利用好这些资源来获取数据中隐含的信息，数据挖掘技术由此产生了。

机器学习就是一种用来实现数据分析的智能化方法。

作为机器学习和模式识别重要研究领域之一的分类是人们认识事物的基础，人们认识事物时总是先对已被认识的对象进行分类，然后找出各类相同和不同的特征，分类学被认为是人们认识和了解世界的基础科学。

分类的基本思想是:根据数据集的特点，构造分类器,通过分类器就能将未知样本划分为已有类别中的一类。

支持向量机就是一种针对小样本训练和分类的机器学习方法.其基于结构风险最小化原理,综合考虑了经验风险和置信风险,具有良好的泛化能力和较高的分类准确率。

它集成了最优超平面、核函数、凸二次规划等多项技术,能有效地解决”过学习”、”欠学习”、”维数灾难”和”局部极小点”等问题[1]。

然而传统的SVM是用于处理二分类问题的，而现实中涉及到的分类问题，绝大部分是多分类问题。

因此，如何将二分类方法用于多分类问题，并保持其优良的性能，是现在研究的热点。

一，课题研究的目的与意义 支持向量机(Support Vector Machine,SVM)是一种基于VC维理论和结构风险最小化原则(Structural Risk Minimization,SRM)的机器学习方法。