支持嚮量機是在20世紀90年代由V.Vapnik等人研究並迅速發展起來的一種基於統計學習理論的機器學習算法。它通過尋求結構風險最小化來實現實際風險最小化，從而在樣本量較小的情況下也能獲得良好的學習效果。支持嚮量機算法是一個二次優先問題，因此，能保證所得到的解是全局最優的解。支持嚮量機具有完備的理論基礎（統計學習理論）和齣色的應用錶現，正成為神經網絡之後，機器學習領域中新的研究熱點。以往睏擾機器學習方法的很多問題，如模型選擇與學習問題、非綫性和維數災難問題、局部極小問題等，在這裏都得到瞭一定程度上的解決。它已經應用在模式識彆、函數迴歸和概率密度估計等方麵。

　　本書由兩部分組成。第一部分集中討論用支持嚮量機解決時間序列的預測問題。時間序列的預測是迴歸研究中最常見的問題之一。第二部分研究用支持嚮量機解決分類問題與奇異點檢測問題。