支持向量机(Support Vector Machines, SVM)是Vapnik等人提出的一类新型机器学习方法,由于其出色的学习性能,该技术己成为机器学习界的研究热点,并在很多领域都得到了成功的应用,如人脸检测、手写体数字识别、文本分类等。这些领域大多集中在模式识别方面,但是作为一种新兴技术,SVM在很多应用领域的研究有待探索和完善,本文在此研究背景下,利用SVM理论的一个重要分支支持向量回归机(Support Vector Regression, SVR)理论,在图像除模式识别以外的方面的进行了研究,主要研究如下:1:介绍了支持向量机的基础统计学习理论以及SVM的基本算法,提出了基于SVR理论的图像表示方法;2:把传统的图像处理方法应用到SVR图像中取得了一定的效果,如图像几何变换、图像高斯滤波、图像增强,SVR图像的数据压缩与恢复,为SVR作为图像研究的工具打下了很好的基础;3:利用最小二乘支持向量机的回归特性,对图像像素邻域的灰度值进行曲面拟合,建立了图像邻域灰度数据与邻域坐标的关系,推导出在最小二乘支持向量机意义下的图像梯度和零交叉算子,在此基础上提出了应用最小二乘支持向量机进行图像边缘提取的方法,实验证明利用该方法提取图像边缘结果令人满意。4:根据小波阈值去噪的基础,将最小二乘支持向量机应用到小波图像中,推导了用于图像去噪的滤波算子,在此基础上提出了基于最小二乘支持向量机结合小波变换的图像去噪方法,实验证明该方法能有效的去除图像的高斯噪声,保留图像的细节。