1、支持向量機(Support Vector Machines，SVM)是Vapnik提出的一種基于結構風險最小化的學習技術，也是一種新的具有很好泛化性能的回歸方法。在模式識別、回歸估計、概率密度函數(shù)估計等方面都有應用。AdaBoost作為Boosting方法的典型算法之一，已在模式識別、機器學習等多個領域得到了成功的應用。該方法通過組合學習方式允許不斷地加入新的“弱分類器”，直到達到某個預定的足夠小的誤差率。隨著AdaBoost不斷應用，

2、其優(yōu)點日益凸顯，越來越多的學者致力于研究以不同的方式提高其算法性能。
　　 本文提出了一種基于Fisher準則的SVM參數(shù)選擇算法----FS算法，將梯度下降算法和Fisher準則相結合。選擇算法充分利用了樣本在特征空間中類別間的線性可分離性，結合梯度下降算法進行參數(shù)尋優(yōu)，具有簡單、復雜度低、易于實現(xiàn)等優(yōu)點。其次還對SVM與AdaBoost如何高效組合進行了研究，將最近鄰法應用其中，并基于主動學習策略，提出了一種高效的組合算法-