支持向量机(Support Vector Machines, SVM)是一种高效的分类方法。支持向量机虽然能克服维数灾难问题,但如果直接使用原始数据集对其进行训练,可能因为计算量大而导致训练无法进行,也可能使分类器精度达不到理想的效果。在现代生物和医学等应用领域,数据集的维数常常达上千维甚至更高,而样本集的大小却有限,支持向量机的学习效果可能不会很理想,而且计算时间比较长。对于分类目标,原始数据集的部分特征或是不相关的或冗余的,甚至是噪声,对这些特征进行约简不会降低分类精度。特征约简对于分类器的构造至关重要,挑选一组对分类有影响或影响很大的特征,可以限制分类器特征的个数,从而改善分类精度,加快学习模型的构建时间,而且从少量的特征集得到的分类模型更加易于理解。目前,关于特征约简的方法较多,常用的方法大多基于关联度、信息增益和F-score。对于支持向量机的分类精度来说,这些约简方法的效果如何没有系统比较。在研究上述三种特征约简方法的基础上,开发了面向支持向量机的特征约简系统,对上述三种约简方法进行了实验验证,在此基础上建立了多组支持向量机学习模型。实验分别使用了2组临床应用数据集、6组UCI数据集及3组高维文本数据集。实验结果表明,通过对特征进行约简后建立支持向量机,可以明显地加快支持向量机的学习速度,同时可以有效地改善模型的分类精度。