建立在统计学习理论和结构风险最小原则上的支持向量机在理论上保证了模型的最大泛化能力,因此与建立在经验风险最小原则上的神经网络模型相比,理论上更为完善。支持向量机是一个具有多类分类能力的非线性分类器。在实际应用中,有可能出现不同类别样本数目相差很大的情况,比如在解决故障检测等分类问题时,C-SVM训练的分类错误总偏向于样本数较少的类别,因而影响了分类的精确性。为提高精确性,提出了一种优化算法,在训练过程中针对不同类样本,采用不同的权值来优化训练过程,按正负类样本在总样本中所占的比例,加大样本数较少的类别权值,降低样本数较大的类别权值来实现两类样本间的均衡。实验结果表明该方法对两类样本数目相差很大的问题是有效的。支持向量机的参数对于分类精确性影响很大,到目前为止,还没有明确的选择参数的算法。本论文运用支持向量机建立模式识别分类器模型,研究影响模型分类能力的相关参数,在分析参数对分类器识别精度的影响基础上,提出了用遗传算法建立支持向量机分类器模型的参数自适应优化算法,试验结果表明本文所提算法的正确性及有效性。