支持向量机(Support Vector Machines,SVM)是基于统计学习理论的一种新的学习方法。然而,有一类支持向量机的泛化能力在很大程度上取决于核函数的选择。根据目前支持向量机的研究现状,发现引入智能优化算法对支持向量机参数进行优化有一定的局限性。例如,一些智能优化算法在优化时过于依赖参数的控制,控制参数的变化对支持向量机的分类和识别有很大的影响。本文首先对支持向量机进行了研究,发现由于神经网络本身的优点,可以更好地应用于支持向量机,提高其泛化能力。因此,本文首先研究了基于神经网络实现的支持向量机。随着研究的不断深入,发现基于神经网络实现的支持向量机在参数优化中或多或少存在不稳定性。由于控制参数多,难以控制和修改,结果达不到预期值。为此,本文引用了单形进化优化算法(Surface-Simplex Swarm Evolution,SSSE),单形进化算法是一种新型的群智能优化算法。单形进化优化算法的单控制参数特性,提高了算法的可靠性与普适性;通过算法的多角色态的特点,平衡了群体搜索的针对性和多样性,提高了训练算法的搜索效率和收敛性能,保证了算法的通用性,验证了训练算法的有效性。最后,本文对基于单形进化支持向量机的训练算法进行了性能测试和应用验证。通过数据的应用,对新的支持向量机中神经网络的权值、阈值和核函数进行了优化,得到了全局最优解,提高了识别率。实验采用三组数据库数据,分别选取高斯核函数和多项式核函数对数据进行模拟,并对实验结果进行了分析。仿真实验结果表明,该算法训练的支持向量机相比于其他的算法不仅有效地提高了识别率,还减少了控制参数对学习性能的影响,提高了算法在应用中的普适性与鲁棒性。对于基于单形进化的支持向量机运用于现实中有一定的发展推进。