| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-10页 |
| ·研究背景 | 第7页 |
| ·国内外的研究现状 | 第7-8页 |
| ·本文的研究内容及意义 | 第8-9页 |
| ·本文的结构安排 | 第9-10页 |
| 第二章 数据挖掘理论与技术 | 第10-21页 |
| ·数据挖掘定义 | 第10-11页 |
| ·数据挖掘的功能 | 第11-12页 |
| ·数据挖掘过程 | 第12-14页 |
| ·分类算法综述 | 第14-18页 |
| ·决策树 | 第14-15页 |
| ·贝叶斯分类 | 第15-17页 |
| ·神经网络 | 第17-18页 |
| ·遗传算法 | 第18页 |
| ·分类模型性能的评估方法 | 第18-19页 |
| ·数据挖掘的应用 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 统计学习理论与支持向量机 | 第21-27页 |
| ·机器学习的基本问题 | 第21-22页 |
| ·统计学习理论 | 第22-23页 |
| ·支持向量机 | 第23-26页 |
| ·广义最优分类面 | 第23-24页 |
| ·支持向量机原理 | 第24-25页 |
| ·非线性支持向量机与核函数 | 第25-26页 |
| ·对支持向量机的改进 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第四章 基于离散度量和SVM 相结合的半监督分类算法 | 第27-40页 |
| ·渐进直推式支持向量机 | 第27-28页 |
| ·直推式学习 | 第27页 |
| ·渐进直推式支持向量机 | 第27-28页 |
| ·基于离散度量和SVM 相结合的分类学习算法 | 第28-31页 |
| ·Fisher 线性准则 | 第28-29页 |
| ·基于离散度量的半监督分类算法 | 第29-31页 |
| ·实验结果与分析 | 第31-38页 |
| ·ionosphere 数据集上的实验 | 第31-35页 |
| ·wdbc 数据集上的实验 | 第35-38页 |
| ·本章小结 | 第38-40页 |
| 第五章 半监督分类算法在多分类问题中的应用 | 第40-50页 |
| ·多分类支持向量机 | 第40-44页 |
| ·一对多（One-a-Rest）SVM | 第40-41页 |
| ·一对一（One-a-One）SVM | 第41-42页 |
| ·基于决策树的多类SVM | 第42-43页 |
| ·基于有向无环图的多类SVM | 第43-44页 |
| ·多类支持向量机 | 第44页 |
| ·SDSVM 算法的改进 | 第44-45页 |
| ·实验结果与分析 | 第45-49页 |
| ·yeast 数据集上的实验 | 第46-47页 |
| ·letter-recognition 数据集上的实验 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| ·研究结论 | 第50页 |
| ·研究展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第56页 |