支持向量机(SVM)是上世纪九十年代中期提出的新一代机器学习技术,它基于统计学习理论,至今仍然是研究的热点,被许多领域的研究用来作为学习机器。支持向量机以结构风险最小化原则为基础,因此能够较好地处理小样本情况下的学习问题,它较好地解决了传统基于数据的学习方法可能出现的过学习、高维数、局部极小点等问题。统计学习理论和支持向量机作为小样本学习的代表性理论,在人工智能和机器学习的各个领域的应用和研究都受到了重视。支持向量机本身是被设计作为二分类器,而对于实际分类问题大多数时间需要进行多类分类,目前的多分类扩展方法主要有两类,一类是直接法,直接在目标函数上进行修改,将多个二次规划问题求解合并到一个最优化问题中,通过直接求解该最优化问题来实现多类分类。这样做虽然思路简单,但是在大部分现实场景下问题的形式都过于复杂难以求解,虽然也存在对直接法的研究,但是没有办法从根本上摆脱问题的复杂性;另一类是间接法,主要是通过多个二分类器通过某种方式集成来实现多分类器的功能,这是支持向量机研究中的重要内容。本文主要做了以下方面的工作:1.介绍了机器学习和统计学习理论的发展历史和研究现状,讨论了支持向量机中的基本理论和问题求解算法。2.对目前主要的基于支持向量机的多分类方法进行了介绍和对比。DAGSVM作为SVM多分类方法中使用得较多、准确度相对较高的基本方法之一,从它的层次结构上看仍然有可以提高准确度的可能,本文中提出对DAG结构估计分类准确度的方法,从备选结构中用穷举法选择出最高准确度估计值的DAG结构,以此作为测试集的结构进行分类。实验结果表明,测试数据集采用该方法选择的DAG结构后的分类准确性较其它方法得到明显提高,在目前各类应用场景对准确度要求越来越高的背景下显示出较好的前景。