支撑向量机（Support Vector Machine，SVM）是由Vapnik等人于上世纪90年代在多年研究统计学习理论的基础上提出的一个新的机器学习方法。由于在学习和分类问题中出色的泛化性能，支撑向量机（SVM）很快成为了国内外学者研究的热点并在许多智能信息获取与处理领域都取得了成功的应用。　　 核函数是支撑向量机（SVM）模型的主要元素，它将原空间中的数据映射到特征空间，使得在输入空间中难以处理的非线性问题可在特征空间中获得线性性能。然而仅有高性能的核函数对于构造支撑向量机（SVM）模型是不充分的，还要有与之对应的高性能模型选择算法。模型选择算法通过发现最优的模型参数，从而使支撑向量机（SVM）达到较好的训练效率和应用效果。　　 传统的基于网格的模型参数训练方法可以概括为一个关于惩罚因子C和高斯核参数的两层循环优化过程。该算法对于大规模样本集，时间和空间复杂度较大，同时训练样本中存在的噪音点通常使得分类精度降低。所以减样和除噪（或者统称为选择候选支撑向量集）成为影响支撑向量机（SVM）分类性能的重要因素。　　 本论文对支撑向量机（SVM）核参数的选择，提取候选支撑向量集等问题进行了学习、研究和探索。首先本文介绍了支撑向量机（SVM）研究的现状，以及支撑向量机（SVM）的理论基础和其关键技术核函数。而后就支撑向量机（SVM）模型选择问题尤其是高斯核函数的参数选择算法进行了详细的介绍和分析。最后通过对减样和除噪问题进行分析而提出选择候选支撑向量集的算法，并基于此提出了基于候选支撑向量集的核参数选择方法。实验结果表明该算法在时空复杂度和准确率上都有较为明显的提高。