支持向量机(SVM)是通过执行结构风险最小化原则来获得好的推广能力的学习机器，它最初是设计用以处理二分类问题的．然而，许多实际问题中都需要处理多类的分类问题．因而，如何有效的推广该算法到多类的情形具有重要的实际意义．多分类学习算法的推广性能研究是机器学习的热点问题之一． SVM算法分类误差受各类别样本数多少的影响，样本数量多的类别，其分类误差小，而样本数量少的类别，其分类误差大．针对这种倾向性问题，本文在分析其产生原因的基础上，提出了广义加权SVM算法，对类别差异造成的影响进行了相应的补偿，提高了小类别的分类精度，从而克服了常规SVM算法不能灵活处理每一个样本的缺陷，并用仿真试验说明了该算法的分类精度．这对于某些需要重点关注小类别精度的应用场合具有重要的现实意义． 第一部分，引言阐述了支持向量机的基本思想，介绍了多分类支持向量机的几种主要类型和相应背景． 第二部分，介绍了各种改进改进的支持向量机算法并对他们在特征性能上进行了比较，为本文研究的问题奠定了理论基础和依据． 第三部分，对应于“一对一”方法，研究了误差修正码问题，并利用算法稳定得到其推广误差界． 第四部分，即本文重点，研究了广义加权支持向量机在多分类问题中的应用，提高了小类别样本分类精度． 最后，在第五部分中，分析了前面得到的主要结果，并对未来进一步的研究方向进行了展望．