随着系统结构的日益复杂和各类新技术的广泛应用，传统测试方法已经难以满足现代武器系统对测试性的要求。然而，测试性作为保障武器系统维修性的重要条件，已经成为武器系统研制和使用过程中不可缺少的环节，确保武器系统具有良好的测试性对提高武器系统效能、降低全寿命周期费用均具有重要意义。为了提供更加有效的测试方法，满足现代武器系统的快速、精确的测试需求，本文采用了核方法，以武器系统中的主要故障部件电子系统为例进行了分析研究。核方法具有优秀的模式识别能力，有理论坚实、推理过程清晰，擅长小样本决策的优点，适合应用于武器系统测试问题。本文的主要工作如下：　　文章首先研究了支持向量机理论。从简化支持向量机分类过程、提高分类精度的角度出发，对支持向量机多分类方法进行了研究。接下来对核方法的基础理论进行研究。为了降低核方法的复杂度，同时提高其性能，本文从提升核函数性能着手，从核参数选择和核函数构造两方面进行了研究，并将研究结果与支持向量机多分类方法相结合。　　针对解决常用的支持向量机多分类方法存在的结构复杂、计算量大、有不可分样本的问题，本文对支持向量机多分类策略进行了研究，对结构简单的最小生成树支持向量机分类方法进行改进，采用Fisher可分离性测度为分类依据，以解决该方法中分类节点难以确定的问题，并通过标准数据集分类实验检验算法的有效性。对系统测试性实验步骤和采取相关方法进行了研究，并将该方法应用于实际系统的测试问题。　　累积误差对基于 Fisher可分离性测度的最小生成树支持向量机分类方法的性能有显著的影响。为了提高算法性能，从核函数角度着手，对核参数选择和构造新核函数进行研究。　　为了解决核函数参数优化中面临的计算量大、算法复杂的问题，本文分别研究了基于网格算法和基于智能方法的核参数选择方法，针对不同的使用需求提出新的核参数选择方法。　　针对系统测试问题中存在的数据结构复杂等问题，本文对单核函数和多核函数的构造进行了研究，以便通过采用性能更好的核函数来提高核方法的性能。为了解决常用的加权组合多核函数计算量大、核参数选择复杂的问题，本文对多尺度核函数和相应的分类方法进行了研究。　　在以上研究的基础上，本文采用多尺度核函数取代单核函数，通过提高核函数性能降低 FMST-SVM 方法的分类风险。为了检验多尺度核函数与 FMST-SVM方法结合的合理性，文章首先研究了核参数变化对数据类间Fisher可分离性测度的影响，进而结合具体的核函数和数据集，通过实验考察了核参数变化对支持向量机分类模型的影响，获得了一些定性的结论。该分类方法的有效性和性能则通过标准数据集分类问题进行检验，然后并以模拟电路故障诊断问题为对象，对该方法在电子系统测试领域的应用价值进行检验。