支持向量机（Support Vector Machine, SVM）是一类按 监督学习（supervised learning）方式对数据进行 二元分类的广义线性分类器（generalized linear classifier），其 决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） ^[1-3]   。

SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器   。SVM可以通过 核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一   。

SVM被提出于1964年，在二十世纪90年代后得到快速发展并衍生出一系列改进和扩展算法，在 人像识别、 文本分类等 模式识别（pattern recognition）问题中有得到应用 ^[5-6]   。