随着船舶工业和计算机技术的发展，采用多种预测方法、优化方法及多准则评价方法等来预测未来运量、求解船舶主尺度要素及进行船型方案评价等的研究已陆续出现并且取得了令人瞩目的研究成果。但现有方法还非常有限，导致船舶技术经济论证的结果过分依赖所选择的方法，因此有必要做进一步的研究。支持向量机(SVM)是由Vapnik及其研究小组于1995年在统计学习理论的VC维理论和结构风险最小化原则的基础上提出来的一类新型的机器学习方法，它追求的是在现有信息(即有限样本)情况的最优解而不仅仅是样本数趋于无穷时的最优解。该方法分为支持向量机分类(SVC)和支持向量机回归(SVR)，较好地解决了小样本、非线性、高维数、局部极小点等实际问题，由于其出色的学习性能，该方法已成为当前国际机器学习界的研究热点。用于回归估计的支持向量机方法(SVR)以可控制的精度逼近非线性函数，具有全局最优、良好的泛化能力等优越性能，但是其在应用方面的研究还相当缺乏。鉴于支持向量机具有良好学习性能和潜在应用价值，本文尝试将其应用于船舶技术经济论证领域中。论文研究工作的主要内容和成果如下：1．在调研的基础上，分析了船舶技术经济论证领域中的运量预测、船型要素数学建模和船型方案评价的应用研究现状。同时针对统计学习理论和支持向量机方法的发展及研究现状进行了分析。2．阐述了支持向量机方法的理论基础：最优化理论，统计学习理论以及核函数理论。3．阐述了标准支持向量机分类算法和标准支持向量机回归算法的详细推导过程，简述了目前存在的其他各种形式的支持向量机分类和回归，归纳了求解支持向量机的训练算法，并总结了支持向量机方法的特点。4．提出了一种基于单参数的Lagrangian支持向量机回归新算法(简称为SPL-SVR)，并给出了该改进算法的详细推导过程，同时将其应用到人工数据集和实际数据集中进行检验。5．提出了一种基于高斯核参数加权的支持向量机回归新算法(简称为GKPW-SVR)，同样应用人工数据集和实际数据集对其进行检验以证明其有效性。6．将本文提出的支持向量机回归改进算法引入到运量预测中，分时间序列预测和影响因素预测两大类进行了实例验证。7．率先将支持向量机回归算法引入到船型要素数学建模中，针对实例进行了船长、船宽、吃水、型深和空船重量的回归建模，并和常规回归建模方法进行了比较。8．率先将核主成分分析(KPCA)方法引入到船型方案的评价研究中，进行了实例分析，结果验证了该方法在船型方案评价中的适用性。结果证明，支持向量机方法应用于船舶技术经济论证领域中不仅完全可行，而且与其它方法相比较具有需要学习样本少、预测精度高、非线性数据处理能力强及非线性系统建模性能好等优点，是一个新颖而有发展前途的研究方向。