支持向量机是在统计学习理论基础上发展起来的一种性能优良的新型机器学习方法。它具有坚实的理论基础,巧妙的算法实现和卓越的性能。当支持向量机应用于实际问题时,首先面临的是模型参数的选择,包括支持向量机中的参数选择和核函数参数选择。参数选择直接决定着支持向量机的训练效率和应用效果。同一算法对SVM应用于不同的数据集的参数进行优化时表现出来的性能是不同的。　　 本文围绕如何缩短支持向量机参数优化时间和提高分类的准确率展开研究,采用了改进的免疫遗传算法对支持向量机的参数进行优化。并用实验验证了本文算法的可行性。　　 主要分为以下三个方面:　　 第一部分:在统计学习理论基础下分析了支持向量机的基本模型和算法,并结合结构风险最小化鲤论,分析了模型中核参数和惩罚参数对分类机性能产生的影响。　　 第二部分:介绍了免疫遗传算法的原理及应用于优化非线性领域的优点和步骤,并对免疫遗传算法进行改进后对支持向量机应用到对低维的数据集分类时的参数优化。并与传统的优化方法进行比较,显示非常明显的高效和准确性。　　 第三部分:介绍了文本这一大规模高维数据集的制作过程和支持向量机用于文本分类时的优越性,然后使用改进后的免疫遗传算法用于优化支持向量机应用于文本分类时的参数,并与传统的优化方法进行比较,验证了本文方法的有效性。　　 总之,本文的优化算法在SVM对低维数据集的分类的优势十分明显,随着维数的增加,搜索速度放慢。但仍保持相当的优势。