机器学习是人工智能的一个重要组成部分，是人工智能中重点研究的核心领域。集成学习作为一种新的机器学习方法，由于其能够很好地提高学习系统的泛化能力，因此，成为机器学习领域内一个重要的研究方向。Boosting算法作为集成学习方法中一个典型代表，已经被应用到机器学习的各个领域。支持向量机是Vapnik于1995年首先提出的，由于其对一些非线性、小样本和高维模式下的问题具有很好的学习效果，因此，支持向量机得到了很快的发展并且应用到很多实际的方面，如文本分类、手写识别、人脸识别和函数拟合等。随着Boosting算法和支持向量机的广泛应用，算法性能的提高越来越受到研究学者的重视。 　　本文的主要研究工作是：首先对数据进行预处理，进行归一化处理，然后采用粒子群优化算法对支持向量机的参数进行优化，采用支持向量机对数据进行分类或回归的实验，为了提高分类或回归的精度，本文提出了 Boosting 集成支持向量机(Boosting-SVM)的算法，让支持向量机做 Boosting 算法中的弱学习机，然后对学习机进行有权重的投票方式进行集合学习，从而获得了更好的分类和回归效果，得到更高的精度。采用SVM算法和Boosting-SVM 算法在多个 UCI 数据集上进行分类和回归对比试验，实验结果表明， Boosting-SVM比单个支持向量机的方法具有更高的分类和回归精度。 　　本文将Boosting-SVM方法应用到对胎儿体重的预测。近年来，随着生活水平的普遍提高，胎儿的平均体重也在逐渐增加，导致了对胎儿体重的估计也越来越困难。由于没有能够预测到胎儿过大而选择自然分娩的方式所导致的难产也越来越多，因此，如何能够在产前对胎儿的体重做出准确的估计，便成为迫切需要解决的问题。通过本文提出的Boosting-SVM 算法能够提高对胎儿体重的准确预测，能够很好解决胎儿体重的问题，从而验证了Boosting-SVM的有效性和实用性。