| 第一章 绪论 | 第1-9页 |
| §1-1 支持向量机简介 | 第7-8页 |
| 1-1-1 支持向量机的理论背景 | 第7-8页 |
| §1-2 本文所做工作及结构安排 | 第8-9页 |
| 第二章 支持向量机基础理论 | 第9-24页 |
| §2-1 统计学习理论中的重要概念 | 第9-11页 |
| 2-1-1 经验风险最小化原则（Empirical Risk Minimization Inductive Principle） | 第9页 |
| 2-1-2 VC（维数）（VC Dimension）与VC上界（VC Bound） | 第9-10页 |
| 2-1-3 结构风险最小化原则（Structural Risk Minimization Inductive Principle） | 第10-11页 |
| 2-1-4 支持向量机 | 第11页 |
| §2-2 支持向量机分类 | 第11-15页 |
| 2-2-1 最佳超平面 | 第11-12页 |
| 2-2-2 线性SVC解决线性可分问题 | 第12-13页 |
| 2-2-3 线性SVC解决线性不可分问题 | 第13-14页 |
| 2-2-4 非线性SVC | 第14-15页 |
| §2-3 支持向量机回归 | 第15-18页 |
| 2-3-1 线性回归 | 第15-17页 |
| 2-3-2 损失函数 | 第17页 |
| 2-3-3 非线性回归 | 第17-18页 |
| §2-4 核函数 | 第18-19页 |
| 2-4-1 什么是核函数 | 第18页 |
| 2-4-2 怎样确定核函数 | 第18页 |
| 2-4-3 几种常见的核函数 | 第18-19页 |
| §2-5 SVM训练算法的实现及发展现状 | 第19-22页 |
| §2-6 本文采用的算法 | 第22-23页 |
| §2-7 本章小结 | 第23-24页 |
| 第三章 支持向量分类在基于边缘检测的图像分割中的应用 | 第24-38页 |
| §3-1 图像信息表示 | 第24页 |
| §3-2 图像分割与边缘检测 | 第24-29页 |
| 3-2-1 图像分割简介 | 第24-26页 |
| 3-2-2 图像分割算法 | 第26页 |
| 3-2-3 图像边缘定义 | 第26页 |
| 3-2-4 传统的边缘检测方法 | 第26-29页 |
| §3-3 支持向量机分类的应用 | 第29-38页 |
| 3-3-1 支持向量机分类在边缘检测中的理论 | 第29-30页 |
| 3-3-2 两类分类的方法的应用 | 第30-35页 |
| 3-3-3 噪声下两类分类方法的应用 | 第35页 |
| 3-3-4 One-Class的应用 | 第35-38页 |
| 第四章 支持向量机在函数估计中的应用 | 第38-50页 |
| §4-1 利用支持向量机回归求解参数 | 第38-40页 |
| §4-2 利用支持向量机回归求解边值问题 | 第40-50页 |
| 4-2-1 边值问题 | 第40-41页 |
| 4-2-2 求解（偏）微分方程问题的现状 | 第41页 |
| 4-2-3 求解实例 | 第41-50页 |
| 第五章 结论 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间所取得的相关科研成果 | 第54页 |
