支持向量机（SVM）是在统计学理论和最优化理论的基础上发展起来的一种机器学习方法，它有效地解决了局部极小点、小样本、非线性、高维数等实际问题，从而有力地推动了机器学习理论的发展，已经成为机器学习领域的一个研究热点。尽管支持向量机的优点很多，但仍有美中不足之处。传统的支持向量机对样本中的噪声和孤立点敏感，没有考虑不同输入样本点对最优超平面的获得产生的不同影响等。另外，模型选择也是支持向量机理论上的一个不足之处，模型选择主要包括核函数及其参数的选择。本论文在总结相关学者关于支持向量机对样本中的噪声和孤立点敏感及模型选择不灵活这两个方面的研究后，并对其作了进一步研究，主要有如下创新的工作：(1)构造了几何平均隶属度函数。几何平均隶属度函数是在基于类中心的隶属度函数和基于紧密度的隶属度函数的基础上构造的，兼具二者的优点，有效地降低了噪声和孤立点对最优超平面的影响，提高了解决问题的效率；(2)构造了灵活性强、适应性高的泰勒缓和下降核函数（T-KMOD）。T-KMOD核函数灵活性好，能够更有效地、更灵活地解决实际问题，并通过仿真实验验证了其分类准确率高、灵活性好的特点；(3)构造了基于多项式核函数和T-KMOD核函数的混合核函数。混合核函数兼具多项式核函数和T-KMOD核函数的优点，并通过仿真实验验证了其分类准确率高、灵活性好的特点。