大多数的机器学习通常而言都会对大量数据进行采集学习和分析，通过学习之后建立起该研究内容的有效模型，机器学习的根本目标就是通过分析、学习，建立合理有效的目标预测模型，可以准确地预测到实验结果。当然这些也只是针对在样本容量是有限的情况之下来讨论的机器学习理论。支持向量机法是以结构风险的最小化为基础原则的，在处理挖掘数据的一些相关问题时，有时则会使用经验风险的最小化原则。因此支持向量机法在某些情况下能够克服机器学习中的一些难题，比如样本局部极小点、数量有限等问题，而且还有完整的理论基础。
支持向量机基本原理：当要求分析研究的对象是在线性可分的情况之下，支持向量机所要做的就是在样本事件空间内找到两类样本的最优超平面。当研究的目标对象是线性不可分的，那么支持向量机则需要增加适当的变量来对其进行分析，通过使用映射的方法，可以把低文的样本映射到高文空间，然后将其变为线性，从而使得在高文的空间里，采用线性的算法去对目标样本进行有效合理的分析，并且在该目标样本空间中找出最优分类的超平面[7]。而且，它能够使用结构风险最小化的原则，在目标样本空间里面构建出最优分类的超平面，并把整个目标样本空间的期望风险控制在一定的界限里面。
支持向量机法在对目标样本进行分析预测时具有以下的一些优点[8]：
(1)对于给定的样本，不需要根据其各个特征进行分类筛选，支持向量机法计算的复杂程度是由样本数决定的，这个对于解决高文问题是有很大帮助；
(2)经过向量机核函数的运算，能够把高文样本映射到核函数中去进行计算，可以降低研究的复杂程度。核函数它的适应能力更好，它是随目标研究问题的变化而改变的，与传统的算法相比较更有优势；
(3)支持向量机，它的学习方式主要是通过计算解决一个线性二次规划的相关问题，在误差和泛化能力之间来寻求一个平衡点，使得建立的模型更加的有效、准确。
1.2.2 机器学习及发展
通过计算机来学习模仿人类的行为，在学习过程中不断地获取新知识，并且弥补知识系统的缺陷，提高性能，这就是机器学习的过程。判定机器是否具有智能行为的标准是它的学习能力，人类智能的一个重要表现就是对先前的事物会进行一定的归纳和总结。人类在总结归纳之后，会发现规律和方法，这将会帮助人类对事物的发展做到提前认知，并为自己的判断提供有力的依据。学习过去的数据，并且进行分析处理，从中获取规律，称为“学习行为”[9]。图1.1是一个简单的学习系统模型。
反馈

图1.1 一般的学习系统模型
现代人工智能技术中的一个重要研究内容和方向是关于机器的数据学习，这个研究的主要过程是从分析有限的目标数据样本开始，分析总结后发现规律，建立自我认知的数据模型，然后使用有效的模型，对未知的结果进行预测分析。按照实现方法的不同可以把机器学习法大致分成三种:第一种是统计估计方法；第二种是经验的非线性方法，比如是人工神经网络；第三种的方法则是统计学习理论。机器学习来分析数据解决问题的发展，主要经历了下面四个阶段[10]：
1.热烈时期
这是学习及其产生的阶段，大概是1955年到1965年，这期间的研究工作没有和具体知识联系起来，是在模糊状态下进行的。所以这阶段的机器学习是不能满足人们需要的；
2.冷静时期 基于支持向量机的TiO2/C复合材料的研究(3):http://www.youerw.com/cailiao/lunwen_28114.html