支持向量机 SVMs(Support Vector Machines)是一个有监督的学习模型，通常用来进行模式识 别、分类以及回归分析。 SVMs 学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局 最小值。而其他分类方法（如基于规则的分类器和人工神经网络）都采用一种基于贪心学习的策 略来搜索假设空间，这种方法一般只能获得局部最优解。假设，一个农场主圈养了一批羊群，但 为预防狼群袭击羊群，需要搭建一个篱笆来把羊群围起来。但是篱笆应该建在哪里呢？只需要依 据羊群和狼群的位置建立一个数据坐标，用 SVMs 就会完成了一个很完美的解决方案。
近年来，基于 SVMs 的解决小样本、非线性及高维识别中表现出许多特有的优势，并能够推 广应用到函数拟合等其他机器学习问题中。依托中小企业与核心企业间真实贸易背景开发的供应 链金融业务在我国发展迅速，这要求商业银行从新的视角对中小企业的信用风险进行认识和评估， 运用机器学习的方法支持向量机(SVMs)建立信用风险评估模型，并通过与用 BP 神经网络算法建 立的信用风险评估模型进行实证结果对比，结果表明在小样本下基于 SVMs 的信用风险评估模型 更具有效性和优越性，能够更准确地判断中小融资企业的信用状况；遥感图像，尤其是高空间分 辨率(1—4m)遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥 感图像信息提取方法存在精度和分类效率低的不足。基于 SVMs 的分类方法，复合光谱、纹理和 结构信息等多源数据信息，对高空间分辨率图像进行分类，通过对方法研究表明，多源数据复合 的 SVMs 高空间分辨率遥感图像分类方法,能够有效解决单源数据信息图像分类效果破碎的问题。
SVMs 方法是通过一个非线性映射 p，把样本空间映射到一个高维乃至无穷维的特征空间中 （Hilbert 空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的 问题。简单地说，就是升维和线性化。升维，就是把样本向高维空间做映射，一般情况下这会增 加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津。但是作为分类、回归等问题来说， 很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实 现线性划分（或回归）。一般的升维都会带来计算的复杂化，SVM 方法巧妙地解决了这个难题： 应用核函数的展开定理，就不需要知道非线性映射的显式表达式；由于是在高维特征空间中建立 线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了“维数灾难”。这一切要归功于核函数的展开和计算理论。
