支持向量机是在统计学习理论基础上发展起来的一种新的、非常有效的机器学习方法。由于其出色的学习性能，该技术已成为人工智能和机器学习领域新的研究热点。支持向量机主要包括支持向量分类机和支持向量回归机两种类型。其中支持向量分类机的理论和实际应用研究相对成熟，而支持向量回归机的研究尚有待进一步深入。 不同的损失函数会构成不同的经验风险，进而形成不同的支持向量回归机。目前，支持向量回归机的研究主要集中在基于一次损失函数的情况，而对其它损失函数下支持向量回归机及其应用的研究相对较少，本论文主要在如下方面进行了研究和探讨： (1) 阐述了3种分别基于ε-不敏感损失函数、二次ε-不敏感损失函数和Huber损失函数的支持向量回归机，比较分析它们的异同点，并得出较一般性的结论。 (2) 在实际问题中，ε-不敏感损失函数并非都是最优选择。综合3种不同损失函数的优势提出新型的损失函数，同时建立基于该新型损失函数的支持向量回归算法—RSVR。 (3) 模型选择是支持向量机一个重要的研究方向。RSVR引入一个新的参数c，它和参数C的选择对新算法的泛化性能有直接影响。在实验研究和分析的基础上，提出了利用粒子群优化算法对RSVR进行模型选择的新方法PSO-RSVR。 (4) 支持向量回归机的具体应用。 (a) 股票市场，具有高收益与高风险并存的特性。关于股市分析与预测的研究一直为人们所关注。但是由于股票市场高度的非线性，众多股市分析方法的应用效果都难如人意。为此，将改进后的算法PSO-RSVR应用于股市预测，取得较满意的结果。 (b) 温度补偿一直是传感器研究中的热点之一，针对压阻式压力传感器的灵敏度易受温度变化的影响，分别提出基于PSO-RSVR和LS-SVM的数据融合方法以实现温度补偿，并对它们的结果作了比较分析。