支持向量机（SVM）是一种广泛应用于模式识别和机器学习领域的监督学习算法。它基于统计学习理论中的结构风险最小化原则，通过在高维特征空间中寻找最优超平面来实现分类或回归任务。SVM的核心思想是最大化分类间隔，从而提高模型的泛化能力。对于线性可分问题，SVM通过求解凸优化问题直接得到分离超平面；对于非线性问题，则通过核函数将原始数据映射到高维空间，使其在高维空间中线性可分。SVM在小样本、高维数据以及非线性问题中表现出色，因此在文本分类、图像识别、生物信息学等领域得到了广泛应用。此外，SVM对过拟合具有较强的鲁棒性，这使其成为许多实际问题的首选算法之一。
