近年来，有关新生儿疼痛的研究证实，反复的疼痛刺激会对新生儿产生一系列近期和远期的不良影响；又由于新生儿不能自述疼痛的感受，由此产生了一些针对新生儿疼痛的评估工具，其中面部表情是被广泛认同的一种最有效、可靠的评估指标，所以需要开发一种有效的新生儿疼痛面部表情自动识别评估系统，这是非常有意义的。 本文在研究了当前几种常见的多分类支持向量机(SVMs)算法的基础上，深入研究决策树方法，提出了对二叉树多分类SVM方法(BT-SVMs)的改进，并利用多分类支持向量机的方法，对新生儿的疼痛表情进行多类识别。本文的主要工作包括：(1)研究了两类支持向量机的基本理论，通过对三组数据集的实验对其核函数及其参数的选择过程进行了分析；(2)对当前常见的6种多分类SVM方法进行了系统的研究，从训练和预测两方面分析比较了这些多分类SVM方法的性能，实现了几种常用的多分类SVM分类器，并通过相同的数据库对其实验结果进行了比较；(3)在深入研究基于决策树算法的基础上，针对二叉树算法的误差累积效应问题，首先用聚类方法中的类间距离设计了二叉树结构，分析其缺点后，接着进一步提出了基于最优分类面的类间分离度，用其对二叉树多分类SVM方法的改进，同时通过实验证明了改进后算法的合理性以及可行性；(4)根据二叉树多分类SVM方法设计了新生儿面部表情识别多类分类器，并采用一对一SVMs、一对多SVMs、决策导向无环图SVMs(DDAG-SVMs)、BT-SVMs与改进后的BT-SVMs方法分别对新生儿的4类表情(安静、哭、轻度疼痛和剧烈疼痛)进行实验，根据每种多类算法选择SVMs分类器最佳核函数，交叉验证结果显示改进后的BT-SVMs方法获得了最好的识别率为86.12％，其训练时间也相对较短；折衷考虑训练时间和识别率两方面的要求，选择改进后的BT-SVMs方法较合理。通过对实验结果的分析得出如下结论：本文使用的多分类SVM表情识别方法针对新生儿疼痛面部表情的多类识别能够获得期望的性能。