统计学习理论(StatisticalLearningTheory)是一种专门研究小样本情况下机器学习规律的理论。该理论追求在现有有限信息条件下得到最优结果，为解决有限样本学习问题提供了一个统一的框架。在这一理论基础上发展的一种新的通用学习方法——支持向量机(SupportVectorMachine)方法，已初步表现出很多优于已往学习方法的性能。 论文以统计学习理论和支持向量机方法为研究对象，重点研究了多分类支持向量机方法及其应用，其主要内容及研究成果包括以下几个方面： 1.在对统计学习理论研究现状分析的基础上，给出了统计学习理论的基本思想。并详细介绍了支持向量机方法，该方法是基于统计学习理论中的VC维概念和结构风险最小归纳原则的。 2.提出了一种球结构的支持向量机多分类算法SSVM。SSVM算法适用于规模比较大的多分类问题，实验表明该算法和其他常用多分类SVM算法相比，算法复杂性小，易于扩充。 3.提出了多分类比对的概念，并给出了一种针对多分类SVM算法的核矩阵选择算法MKMSA。MKMSA算法也适用于其他基于核函数的多分类学习算法的核函数(核矩阵)选择。 4.将本文中给出的SSVM算法和相关技术应用于实际的人脸识别系统，并具体设计和实现了一个计算机自动考勤系统。