支持向量机是基于统计学习理论和结构风险最小化的数据挖掘技术，具有非线性、推广能力强以及全局最优等特点，具有诸多优势。但目前依然存在许多问题尚未得到解决。本文对支持向量分类机算法进行改进，并将支持向量回归机应用到实际问题中。本文的主要工作如下：第一，支持向量分类机的性能与核函数的选择有较大关系。目前，核函数选择算法众多，但依然存在不足。本文分析了以往的核函数选择算法存在的不足，提出了一种基于提高样本可分性的核函数选择方法，并通过实验表明该方法的有效性。第二，支持向量分类机在处理不平衡数据集时对少类样本的分类效果很不理想。传统的处理不平衡数据集的方法往往忽视了核函数对分类机性能的影响。对此，本文提出一种核函数选择算法与欠采样算法相结合的方法。实验表明该方法可以有效地提高分类性能。第三，对支持向量回归机的应用进行研究，建立了基于支持向量机的海水参数预测模型。并通过实验表明本文方法建立的模型所预测的效果要优于传统模型，并且能够比较准确地反映海水参数的变化趋势。该方法不仅具有坚实的理论基础，更具有实际预测能力，可以应用到实际的海水参数预测中。