支持向量机(SVM)是解决分类问题的一项机器学习核心技术。然而,实际工程中由于数据采集不及时,数据样本不全面,数据不连续导致训练样本很难覆盖全部样本空间,对外往往表现出较低的价值密度,造成分类器的泛化性与鲁棒性下降。目前基于知识的支持向量机可有效解决这一问题,但由于完备的、有效的先验知识难以获取,而且知识本身往往也不足以描述数据的全部特征,使得最终分类性能提高并不明显,甚至还可能导致负效应。因此,本文提出从训练数据中挖掘先验知识的方法,来有效提高分类器性能。由于任何一个样本子空间都可以通过有限开球集合线性组合得到其开球覆盖。故基于训练样本的这种开球覆盖即可描述其分布特征,从而提取出可用于分类的重要信息。正是基于这一认识,本文提出了三种提取训练样本分布特征的方法,以这些特征为基础构建有利于提高分类器性能的先验知识,并给出基于先验知识的临近支持向量机算法:基于普通超球体的临近支持向量机(O-PSSVM)、基于SVDD超球体的临近支持向量机(SVDD-PSSVM)、基于马氏距离超球体的临近支持向量机(M-PSSVM)。实验证明引入普通超球体、SVDD超球体、马氏距离超球体都能提高临近支持向量机(PSVM)的泛化性和鲁棒性。同时发现SVDD-PSSVM、PSVM的分类能力明显强于SVDD分类器,M-PSSVM、PSVM的分类能力明显强于马氏距离超球体分类器,说明SVDD和马氏距离超球体本身不适于直接构建分类器。最后,本文将SVDD-PSSVM应用于列车空调的单标签和多标签的故障诊断当中,取得了很好的诊断效果。