| 中文摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-23页 |
| ·机器学习问题 | 第10-11页 |
| ·统计学习理论 | 第11-16页 |
| ·学习过程一致性的条件 | 第12-13页 |
| ·VC 维 | 第13-14页 |
| ·推广误差边界 | 第14页 |
| ·结构风险最小化归纳原则 | 第14-16页 |
| ·支持向量机理论发展与现状 | 第16-18页 |
| ·支持向量机的应用研究 | 第18-20页 |
| ·论文选题意义及创新点 | 第20-21页 |
| ·本论文的主要工作与全文结构 | 第21-23页 |
| 第二章 基于支持向量机的二值分类 | 第23-32页 |
| ·引言 | 第23页 |
| ·支持向量机的基本方法 | 第23-27页 |
| ·线性支持向量机 | 第23-25页 |
| ·非线性支持向量机 | 第25-27页 |
| ·支持向量机改进算法 | 第27-30页 |
| ·C-SVM 算法 | 第27-28页 |
| ·BSVM 算法 | 第28页 |
| ·v-SVM 算法 | 第28-29页 |
| ·FSVM 算法 | 第29-30页 |
| ·LSSVM 算法 | 第30页 |
| ·支持向量机改进算法的比较 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 支持向量机多类分类算法 | 第32-47页 |
| ·引言 | 第32页 |
| ·基于支持向量机的多类分类器的构造与比较 | 第32-37页 |
| ·解决n-类问题的直接方法 | 第32-33页 |
| ·通过组合多个二值分类器来构造多类分类器 | 第33-34页 |
| ·支持向量机多类分类算法比较 | 第34-37页 |
| ·基于边界近邻最小二乘支持向量机的改进算法 | 第37-41页 |
| ·最小二乘支持向量机 | 第38-39页 |
| ·边界近邻最小二乘支持向量机 | 第39-40页 |
| ·基于边界近邻最小二乘支持向量机的多类分类问题解决 | 第40-41页 |
| ·实验比较 | 第41-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于原型超平面的多类最接近支持向量机 | 第47-65页 |
| ·基于原型超平面的多类最接近支持向量机的基本理论 | 第47-51页 |
| ·基于广义特征的最接近支持向量机（GEPSVM） | 第47-48页 |
| ·基于原型超平面的多类最接近支持向量机（MHPSVM） | 第48-50页 |
| ·特征空间中的原型超平面多类最接近支持向量机 | 第50-51页 |
| ·基于原型超平面最接近支持向量机存在的问题及改进算法 | 第51-57页 |
| ·基于主次原型超平面最接近支持向量机 | 第52-54页 |
| ·基于新的判别准则的原型超平面多类最近接支持向量机 | 第54页 |
| ·实验 | 第54-57页 |
| ·基于主次原型超平面最接近支持向量机在人脸识别中的应用 | 第57-63页 |
| ·主分量分析 | 第57-59页 |
| ·人脸识别步骤 | 第59-60页 |
| ·最近邻算法 | 第60-61页 |
| ·实验比较 | 第61-63页 |
| ·本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-68页 |
| ·全文总结 | 第65-66页 |
| ·研究展望 | 第66-68页 |
| 参考文献 | 第68-77页 |
| 致谢 | 第77-78页 |
| 作者攻读硕士期间发表的文章 | 第78-79页 |
