支持向量机(Support Vector Machines简称SVM)是在统计学习理论的VC维理论和结构风险最小化原则的基础上提出的一种新的模式识别技术，它寻求的是在有限样本情况下的最优解而不仅仅是样本数趋于无穷时的最优解。支持向量机具有很好的推广性能，对未知样本的预测有较高的准确率，因此得到广泛应用。目前SVM已成为国际上机器学习领域的研究热点。 论文首先详细地论述了支持向量机的基本思想和各种常用的支持向量机方法，然后通过深入分析，发现现有的方法对各种方法之间的关系从最优化理论的角度考虑甚少，因此文章针对这一问题，应用最优化理论进行深入研究，主要的工作如下： 1)介绍了统计学习理论及支持向量机基本原理； 2)推导了v—SVC解的存在性问题，并且对参数v的具体意义给出了说明； 3)通过对训练模型的参数优化方法来构造支持向量机非线性分类器，并将其应用于糖尿病病人的诊断，取得了较高的识别率，验证参数v的实际意义。