支持向量机算法是统计学习理论中最年轻的分支。它以统计学习理论中的VC维理论和结构风险最小原理为基础，根据有限的样本信息在模型的复杂性与学习能力之间寻求最佳折衷，获得了较好的推广能力。基于此，支持向量机正得到越来越广泛的应用。由于支持向量机在实质上只能解决两分类问题，而现实中多分类问题则更为常见。将SVM推广到多分类领域是一个正在研究中的问题。本文基于这一主题，在研究了当前几种常见的多分类支持向量机算法的基础上，结合这些算法各自性能上的特点并充分考虑到测试时间与测试精度在实际应用中的重要性，提出了在OAO—SVMs算法中引入分层思想的H—OAO-SVMs模型。同时，由于多分类情况下样本集通常过于庞大，本文还提出了一种基于“黄金分割”的样本裁减方法。为了验证H-OAO—SVMs模型的有效性与实用性，本文将该模型引入到说话人识别领域。所谓说话人识别，是指通过对说话人语音信号的分析处理，自动确认说话人是否在记录的话者集合中，以及进一步确认说话人的身份。针对H-OAO-SVMs模型，在对12个话者语音信号进行采样的基础上，本文进行了说话人识别的实验，并对实验结果在时间与精度等方面的特性进行了分析，证明了该模型的有效性以及在说话人识别领域推广的可行性。