支持向量机(Support Vector Machine, SVM)算法作为分类学习领域中一个分类正确率(Accuracy)较高的算法已经得到了广泛的应用,但其对于多类别代价敏感性数据的分类方法仍然没有一个统一的模式,并且以正确率作为评价标准并不能保证总体误分类代价最小。AUC (Area Under the ROC Curve, ROC曲线下面积)评价标准可以衡量数据类别在任何分布或任何错误代价下分类算法的总体性能并且已经广泛应用于机器学习中对多类分类算法进行评价。针对此现状,本文在详细分析AUC评价标准和SVM多类分类方法后,通过两者的结合来对多类别数据进行分类,并利用遗传算法(Genetic Algorithm, GA)对其分类结果AUC进行优化,从而形成了一个新的SVM多类分类方法——基于AUC的遗传算法优化SVM多类分类方法(GA Optimize Multi-class SVM Based on AUC, GOSMAUC)。GOSMAUC既解决了AUC评价SVM多类分类结果的问题,又能够对其结果进行优化,该方法对于SVM在多类分类学习领域提供了一个更为有效的解决多类分类问题的方法。本文在LIBSVM平台上通过改造实现了GOSMAUC算法并在UCI多类别数据集上进行了实验验证。其结果表明GOSMAUC可以有效的评价SVM多类分类方法的分类性能,并且相对其它相关算法在AUC评价结果上有了较大的提高。该方法具有计算复杂度低、可理解性强、与多类别数据分布无关等优点,可以用来解决多类别分类问题。