该课题来源和依托于国家自然科学基金，模式分类和聚类算法是机器学习，人工智能重要的研究问题，并广泛应用于各种应用领域。申报人以现代统计学习创始人Vapnik提出的支持向量机为理论依据，构造基于经验风险和结构风险最小化的学习机器模型，并设计基于支持向量机的分类和聚类模型，并给出模型的计算复杂度和收敛性分析。改研究的意义体现在：

     ①该研究可应用于金融领域，具有重要的研究意义，可以有效地从海量未标记的客户中侦测出具有欺诈行为的客户，可以应用于商业保险和信用卡欺诈侦测，为公司减少经济损失。

     ②该研究可以应用于生物、医药以及图形分类等问题，提高分类器性能，研究算法在生物、医药等领域的应用中，可充分利用生物数据多样化的特点，有效地融合多视角特征解决实际问题。

    ③该研究可以应用于互联网分类问题，并产生商业价值。针对用户喜好的个人兴趣总结问题，支持向量机基于正常样本的分类器构造可以从海量数据中获得用户个人兴趣和变化。商业公司可以更加准确地为用户推荐产品或广告，产生商业价值。

    该项目的创新之处体现在能够根据数据的经验模型和结构风险，同时引入基于最大间隔的学习，并成功把该类思想应用于分类和聚类算法，能够使得不同类别在模型中体现出最大差异化，从而提高模型的预测能力。该研究的部分成果曾经获得二区国际学术会议PAKDD (The Pacific-Asia Conference on Knowledge Discovery and Data Minin)2013的优秀论文奖。