| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-6页 |
| 第一章 概论 | 第6-8页 |
| 1．1 引言 | 第6-7页 |
| 1．2 本文所作的工作及创新之处 | 第7-8页 |
| 第二章 学习问题的探讨 | 第8-14页 |
| 2．1 学习模型 | 第8-9页 |
| 2．2 经验最小化（ERM）原则 | 第9-11页 |
| 2．3 结构最小化（SRM）原则 | 第11-14页 |
| 第三章 支持向量机的研究 | 第14-25页 |
| 3．1 线性可分情形 | 第14-17页 |
| 3．2 线性不可分情形 | 第17-19页 |
| 3．3 支持向量机 | 第19-21页 |
| 3．4 支持向量机的构造 | 第21-25页 |
| 第四章 基于模糊集的支持向量机 | 第25-33页 |
| 4．1 引言 | 第25页 |
| 4．2 模糊集合的基本概念 | 第25-26页 |
| 4．3 基于模糊集的SVM的定义 | 第26-28页 |
| 4．4 基于模糊集的SVM的构造 | 第28-29页 |
| 4．5 简化的FSSVM | 第29-33页 |
| 第五章 基于RST的支持向量机 | 第33-39页 |
| 5．1 引言 | 第33页 |
| 5．2 粗糙集理论（RST）概要 | 第33-36页 |
| 5．3 支持向量机（SVM）与粗糙集理论（RST）的结合 | 第36-39页 |
| 第六章 支持向量机的应用研究 | 第39-50页 |
| 6．1 用于函数拟合的SVM | 第39-44页 |
| 6．2 简化FSSVM对PCA的改进 | 第44-50页 |
| 第七章 结束语 | 第50-51页 |
| 参考文献 | 第51-52页 |