本文主要研究了基于隐藏信息的支持向量机(SVM+)、一类支持向量机(OCSVM)以及其推广形式OC-SVM+.首先,介绍基本的理论知识，如标准的支持向量机,核和再生核Hilbert空间,降维等.其次为了解决多类分类问题,本文利用三种不同的聚类方法——利用类均值的最小距离聚类、利用类均值的最大距离聚类和利用最大间隔准则聚类,提出了三个基于SVM的决策树多类分类器.为了检验所提算法的有效性和先进性,对AVIRIS遥感图像进行了实验.实验结果表明,本文所提的三种算法明显好于最小距离分类法、线性判别分类法、决策树分类法、OAR-SVM和OAO-SVM.然后本文介绍了一种基于附加信息和组信息下的支持向量机,将之称为SVM+.在SVM+算法中引入了一些新概念,如修正函数,将原样本映射到了修正空间以限制松弛变量的取值.不同于标准的SVM, SVM+将训练集映射到了两个不同的空间.在这种思想的指导下,本文提出了基于多任务的支持向量机(SVM+MTL),并对这几种算法进行了比较.最后本文介绍了基于极大间隔和超球下的一类支持向量机MMOC-KSVM和HSOC-KSVM,并证明了在都选取高斯径向基核作为核函数时,这两种算法的结果是相同的.随后本文对它们进行了推广,引入了组信息并分别将它们简写为MMOC-KSVM+和HSOC-KSVM+,希望通过组信息能提高分类的准确性.并用真实数据对这几种算法进行了实验,实验结果表明,这几种算法能提高分类的准确性,但同时增加了计算的复杂性.