支持向量机(SVM)是九十年代中叶Vapnik教授领导的研究小组提出的一种新的智能机器，源于七十年代迅速发展起来的统计学习理论，特别是体现了结构风险最小化的思想和方法。由于具有较完备的理论基础和较好的学习性能，能很好地解决小样本、非线性、高维数和局部极小点等实际问题，因而成为机器学习理论的研究热点。SVM在很多领域都得到了成功的应用，如模式识别、回归估计、函数逼近等。但是作为一种新兴技术，SVM在很多领域的研究还有待于探索和完善，尤其在回归估计方面的研究还相当缺乏，如何设计快速有效的回归估计算法就是SVM实际应用中的问题之一。 本文首先概要介绍了支持向量机的基本原理，并对几种支持向量机回归估计算法进行了研究和比较，通过理论推导，提出一种改进的支持向量机回归估计算法SORR。而后，将SORR和标准的支持向量机回归估计算法应用于医学上三类血浆脂蛋白(VLDL、LDL、HDL)样本中胆固醇含量测定，从回归估计的学习速度和精度两个方面对两种算法进行了实验比较。结果表明SORR优于标准的支持向量机回归估计算法。