深度学习是能够自动提取特征并且实现对无标签样本学习的深层算法。尽管训练好的深层网络能够提供良好的性能,但是学习算法的超参数需要精确的配置以及人工确定。支持向量机本质上是浅层结构,无法自动提取表征数据的抽象特征。因此在保持支持向量机自身优势的同时,研究具有自动提取数据内部结构特征的能力具有重要的理论意义和实践意义。针对分类问题,论文利用深度学习的深层结构、支持向量机的结构风险最小化以及概率输出网络中的条件概率估计等特点,建立了多层支持向量机结构。其中核参数的选择域呈网格状,通过求取正负两种类别对应β分布的累积概率分布和经验累积概率分布的K-S统计求取一致性的P值乘积最大对应的核参数作为支持向量机模型的核参数。对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止。最后通过三个常用的分类数据集对所提模型进行了实验验证和分析。针对回归问题,论文利用深度学习的深层结构、支持向量机的结构风险最小化以及概率输出网络中的条件概率估计等特点,建立了多层支持向量机结构。其中核参数的选择域呈网格状,通过求取输出对应β分布的累积概率分布和经验累积概率分布的K-S统计求取一致性的P值最大对应的核参数作为支持向量机模型的核参数。对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止。最后通过三个常用的回归数据集对所提模型进行了实验验证和分析。