支持向量机融合最优超平面、软间隔和核思想等技术，能有效地解决高维非线性问题，它的推广泛化性能受其参数影响很大，且参数选择仍无系统的数学理论做指导，为此结合蚁群算法和人工蜂群算法特性，用两种算法优化支持向量机参数，以提升其推广泛化性能.　　针对蚁群算法易过早收敛、陷入局部极值的问题，构造带S型信息素更新函数，耦合Alopx算法得到改进ACO算法（记为IACO算法）;针对人工蜂群算法易陷入长期停滞，且对搜索空间再开发探索性能弱的问题，基于混沌搜索算法具有很好的遍历性的特点，将两种算法耦合，提出带混沌侦察机制的人工蜂群算法（记为IABC算法）.　　用两类耦合算法优化支持向量机参数，构成IACO-SVM模型和IABC-SVM模型，利用UCI标准数据集进行数值实验，结果表明IACO-SVM模型具有较高的平均分类准确率和较好的算法稳定性;IABC-SVM模型能提升支持向量机分类正确率的同时减少无效迭代，使算法能有效跳出局部极值.两类算法的实验结果相对于其他算法均有统计学意义上的提升。