支持向量机是一种基于统计学习理论的机器学习方法,针对小样本情况表现出了优良的性能,目前被广泛应用于模式识别、函数回归、故障诊断等方面。本文主要研究支持向量机分类问题,着重讨论了以下几个方面的内容。首先比较了支持向量机分类器和最小二乘支持向量机分类器算法,并将二者应用于数据分类,取得了较高的准确率,所用数据来自于UCI数据集。并针对最小二乘支持向量机(LS-SVM)分类算法的参数选择问题进行了研究与探讨。提出使用粒子群优化算法(PSO)来选择最小二乘支持向量机分类器参数,与交叉验证法进行比较,并进行了数据分类实验,所用数据来自于UCI数据库。最后将PSO-(LS-SVM)分类算法应用到电力变压器故障诊断中,仿真结果表明该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。