| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第一章 绪论 | 第6-11页 |
| 1．1 论文背景 | 第6-7页 |
| 1．2 SVM算法中目前的研究状况 | 第7-9页 |
| 1．3 本文研究内容 | 第9-11页 |
| 第二章 支持矢量机（SVM）理论概述 | 第11-21页 |
| 2．1 引言 | 第11-12页 |
| 2．2 统计学习理论 | 第12-13页 |
| 2．3 支持矢量机算法 | 第13-20页 |
| 2．3．1 分类超平面的结构 | 第14-15页 |
| 2．3．2 最优分类超平面 | 第15-16页 |
| 2．3．3 软边缘 | 第16-17页 |
| 2．3．4 非线性支持矢量机 | 第17-19页 |
| 2．3．5 多值分类 | 第19-20页 |
| 2．3．6 应用 | 第20页 |
| 2．4 本章小结 | 第20-21页 |
| 第三章 SOR算法 | 第21-27页 |
| 3．1 引言 | 第21页 |
| 3．2 SOR算法对SVM表述 | 第21-23页 |
| 3．3 SOR算法应用于SVM | 第23-25页 |
| 3．4 SOR算法实现 | 第25页 |
| 3．5 本章小结 | 第25-27页 |
| 第四章 LSSVM算法 | 第27-32页 |
| 4．1 引言 | 第27页 |
| 4．2 LSSVM算法表述 | 第27-29页 |
| 4．3 LSSVM的大尺度（Large Scale）算法 | 第29-31页 |
| 4．4 本章小结 | 第31-32页 |
| 第五章 两种算法的性能研究 | 第32-36页 |
| 5．1 实验环境 | 第32-33页 |
| 5．2 实验结果 | 第33-34页 |
| 5．3 实验结果分析 | 第34-35页 |
| 5．4 本章小结 | 第35-36页 |
| 第六章 SISVM算法 | 第36-45页 |
| 6．1 引言 | 第36页 |
| 6．2 SV的分布特点 | 第36-38页 |
| 6．3 简单的SVM增量训练算法 | 第38-39页 |
| 6．4 算法的流程图和实现步骤 | 第39-41页 |
| 6．5 SISVM算法的性能分析 | 第41-44页 |
| 6．6 本章小结 | 第44-45页 |
| 第七章 支持矢量机算法在遥感图像分类中的应用 | 第45-54页 |
| 7．1 引言 | 第45页 |
| 7．2 自适应最小距离法 | 第45-47页 |
| 7．3 K近邻法 | 第47-48页 |
| 7．4 SVM算法 | 第48-49页 |
| 7．5 实验结果及分析 | 第49-53页 |
| 7．6 本章小结 | 第53-54页 |
| 结束语 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录A | 第60-61页 |
| 附录B | 第61-62页 |