支持向量机(SVM)作为一种基于统计学习理论的新型机器学习方法,采用结构风险最小化原则以及核函数方法,有效解决了小样本学习、局部寻优和维数灾难等问题。然而,计算代价过大、核函数方法和参数寻优标准不确定性限制了SVM的应用范围。如何解决这些问题已成为SVM学习领域的研究热点之一首先介绍机器学习的概念、统计学习理论的发展过程以及SVM的主要原理,分析基于聚类原理和结构改进支持向量的约简方法。针对SVM计算代价过大的问题,提出一种改进的约简算法即两步筛选算法(2s-PSV算法)：首先,基于样本块划分和样本密度计算初步剔除训练集的冗余样本；然后,根据相对边界样本距离提取候选训练样本。该算法适应于各种分布状态的训练样本集,不仅能有效剔除异常样本,而且能避免误删支持向量。将2s-PSV算法应用于SVM中,并引入线性组合核函数构造一种改进的约简支持向量机(IS-SVM)。该IS-SVM的核函数结合局部核函数与全局核函数的优势,具备较好的局部差值能力和泛化能力,能有效映射各类分布的训练样本；2s-PSV算法剔除映射空间的异常样本,剪裁冗余样本,提取候选训练样本。对SVM和IS-SVM采用标准数据库的多维大型数据集测试,对比分析结果表明IS-SVM具有更高的训练精度和更少的训练时间。最后,将IS-SVM应用于锌湿法冶炼净化过程镉离子浓度的软测量建模过程中,仿真结果表明模型精度满足工业过程的生产标准要求。