支持向量机(SVM)在机器学习等领域已经得到广泛的应用,其参数选择一直是一个研究的热点问题。而遗传算法(Genetic Algorithms, GA)是模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局优化概率搜索算法。本文利用遗传算法研究支持向量机模型选择问题,通过遗传算法随机选择支持向量分类、聚类中出现的参数,重点解决遗传算法选择基于簇间距离上支持向量分类的参数以及利用遗传算法选择支持向量聚类的参数,目的是为了避免预先设置分类、聚类中出现的参数而导致实验结果不理想或者失败。主要研究成果有:1.提出先用GA选择基于簇间距离上支持向量分类机中的Gauss核函数参数,然后再选择惩罚因子C的算法,将其与人工选取支持向量分类的参数算法以及GA选取支持向量分类的参数算法作比较,进行仿真实验。2.提出用GA同时选择基于簇间距离上支持向量分类中的Gauss核参数和惩罚因子C的算法,与第一个模型中提出的算法以及GA选取支持向量分类的参数算法做仿真实验进行比较。3.提出用混合遗传算法(HGA)同时选取基于簇间距离上支持向量分类中的核函数类型、该核函数对应的核参数以及支持向量分类中惩罚因子C的算法,并将其与其它算法作比较,进行模拟实验。4.研究了GA在支持向量聚类中的应用问题,提出用GA选择支持向量聚类参数的算法,以及用HGA同时选取支持向量聚类中核函数类型、该核函数对应的参数以及惩罚因子C的算法,对以上各算法用不同的数据进行了模拟实验。