1.模糊支援向量機，引入樣本對類別的隸屬度函式，這樣每個樣本對於類別的影響是不同的，這種理論的應用提高了SVM的抗噪聲的能力，尤其適合在未能完全揭示輸入樣本特性的情況下。
2．最小二乘支援向量機。這種方法是在1999年提出，經過這幾年的發展，已經應用要很多相關的領域。研究的問題已經推廣到：對於大規模資料集的處理；處理資料的魯棒性；引數調節和選擇問題；訓練和模擬。
3．加權支援向量機（有偏樣本的加權，有偏風險加權）。
4．主動學習的支援向量機。主動學習在學習過程中可以根據學習程序，選擇最有利於分類器效能的樣本來進一步訓練分類器，特能有效地減少評價樣本的數量。也就是透過某種標準對樣本對分類的有效性進行排序，然後選擇有效樣本來訓練支援向量機。
5．粗糙集與支援向量機的結合。首先利用粗糙集理論對資料的屬性進行約簡，能在某種程度上減少支援向量機求解計算量。
6．基於決策樹的支援向量機。對於多類問題，採用二岔樹將要分類的樣本集構造出一系列的兩類問題，每個兩類構造一個SVM。
7．分級聚類的支援向量機。基於分級聚類和決策樹思想構建多類svm，使用分級聚類的方法，可以先把n-1個距離較近的類別結合起來，暫時看作一類，把剩下的一類作為單獨的一類，用svm分類，分類後的下一步不再考慮這單獨的一類，而只研究所合併的n-1類，再依次下去。
8．演算法上的提高。
lOsuna提出了一種分解演算法，應用於人臉識別領域。
lJoachims在1998年將Osuna提出的分解策略推廣到解決大型SVM學習的演算法
lPlatt於1998年提出了序貫最小最佳化（SequentialMinimalOptimization）每次的工作集中只有2個樣本。
9．核函式的構造和引數的選擇理論研究。基於各個不同的應用領域，可以構造不同的核函式，能夠或多或少的引入領域知識。現在核函式廣泛應用的型別有：多項式逼近、貝葉斯分類器、徑向基函式、多層感知器。引數的選擇現在利用交叉驗證的方法來確認。
10．支援向量機從兩類問題向多類問題的推廣：
nWeston在1998年提出的多類演算法為代表。在經典svm理論的基礎上，直接在目標函式上進行改進，重新構造多值分類模型，建立k分類支援向量機。透過sv方法對新模型的目標函式進行最佳化，實現多值分類。這類演算法選擇的目標函式十分複雜，變數數目過多，計算複雜度也非常高，實現困難，所以只在小型問題的求解中才能使用。Weston,Multi-classsupportvectormachines
n一對多（one-against-rest）-----Vapnik提出的,k類---k個分類器，第m個分類器將第m類與其餘的類分開，也就是說將第m類重新標號為1，其他類標號為-1。完成這個過程需要計算k個二次規劃，根據標號將每個樣本分開，最後輸出的是兩類分類器輸出為最大的那一類。不足：容易產生屬於多類別的點（多個1）和沒有被分類的點（標號均為-1）--不對，訓練樣本資料大，訓練困難，推廣誤差無界.
n一對一（one-against-one）---Kressel對於任意兩個分類，構造一個分類器，僅識別這兩個分類，完成這個過程需要k(k-1)/2個分類器，計算量是非常龐大的。對於每一個樣本，根據每一個分類器的分類結果，看屬於哪個類別的次數多，最終就屬於哪一類(組合這些兩類分類器並使用投票法，得票最多的類為樣本點所屬的類)。不足：如果單個兩類分類器不規範化，則整個N類分類器將趨向於過學習；推廣誤差無界；分類器的數目K隨類數急劇增加，導致在決策時速度很慢。
n層（數分類方法），是對一對一方法的改進，將k個分類合併為兩個大類，每個大類裡面再分成兩個子類，如此下去，直到最基本的k個分類，這樣形成不同的層次，每個層次都用svm來進行分類------1對r-1法，構建k-1個分類器，不存在拒絕分類區。
應用上：人臉檢測，汽輪發電機組的故障診斷，分類，迴歸，聚類，時間序列預測，系統辨識，金融工程，生物醫藥訊號處理，資料探勘，生物資訊，文字挖掘，自適應訊號處理，剪接位點識別，基於支援向量機的資料庫學習演算法，手寫體相似字識別，支援向量機函式擬合在分形插值中的應用，基於支援向量機的慣導初始對準系統，巖爆預測的支援向量機，缺陷識別，計算機鍵盤使用者身份驗證，影片字幕自動定位於提取，說話人的確認，等等。
主要研究熱點
從上面的發展中，我們可以總結出，目前支援向量機有著幾方面的研究熱點：核函式的構造和引數的選擇；支援向量機從兩類問題向多類問題的推廣；更多的應用領域的推廣；與目前其它機器學習方法的融合；與資料預處理（樣本的重要度，屬性的重要度，特徵選擇等）方面方法的結合，將資料中脫離領域知識的資訊，即資料本身的性質融入支援向量機的演算法中從而產生新的演算法；支援向量機訓練演算法的探索。
1.模糊支援向量機，引入樣本對類別的隸屬度函式，這樣每個樣本對於類別的影響是不同的，這種理論的應用提高了SVM的抗噪聲的能力，尤其適合在未能完全揭示輸入樣本特性的情況下。
2．最小二乘支援向量機。這種方法是在1999年提出，經過這幾年的發展，已經應用要很多相關的領域。研究的問題已經推廣到：對於大規模資料集的處理；處理資料的魯棒性；引數調節和選擇問題；訓練和模擬。
3．加權支援向量機（有偏樣本的加權，有偏風險加權）。
4．主動學習的支援向量機。主動學習在學習過程中可以根據學習程序，選擇最有利於分類器效能的樣本來進一步訓練分類器，特能有效地減少評價樣本的數量。也就是透過某種標準對樣本對分類的有效性進行排序，然後選擇有效樣本來訓練支援向量機。
5．粗糙集與支援向量機的結合。首先利用粗糙集理論對資料的屬性進行約簡，能在某種程度上減少支援向量機求解計算量。
6．基於決策樹的支援向量機。對於多類問題，採用二岔樹將要分類的樣本集構造出一系列的兩類問題，每個兩類構造一個SVM。
7．分級聚類的支援向量機。基於分級聚類和決策樹思想構建多類svm，使用分級聚類的方法，可以先把n-1個距離較近的類別結合起來，暫時看作一類，把剩下的一類作為單獨的一類，用svm分類，分類後的下一步不再考慮這單獨的一類，而只研究所合併的n-1類，再依次下去。
8．演算法上的提高。
lOsuna提出了一種分解演算法，應用於人臉識別領域。
lJoachims在1998年將Osuna提出的分解策略推廣到解決大型SVM學習的演算法
lPlatt於1998年提出了序貫最小最佳化（SequentialMinimalOptimization）每次的工作集中只有2個樣本。
9．核函式的構造和引數的選擇理論研究。基於各個不同的應用領域，可以構造不同的核函式，能夠或多或少的引入領域知識。現在核函式廣泛應用的型別有：多項式逼近、貝葉斯分類器、徑向基函式、多層感知器。引數的選擇現在利用交叉驗證的方法來確認。
10．支援向量機從兩類問題向多類問題的推廣：
nWeston在1998年提出的多類演算法為代表。在經典svm理論的基礎上，直接在目標函式上進行改進，重新構造多值分類模型，建立k分類支援向量機。透過sv方法對新模型的目標函式進行最佳化，實現多值分類。這類演算法選擇的目標函式十分複雜，變數數目過多，計算複雜度也非常高，實現困難，所以只在小型問題的求解中才能使用。Weston,Multi-classsupportvectormachines
n一對多（one-against-rest）-----Vapnik提出的,k類---k個分類器，第m個分類器將第m類與其餘的類分開，也就是說將第m類重新標號為1，其他類標號為-1。完成這個過程需要計算k個二次規劃，根據標號將每個樣本分開，最後輸出的是兩類分類器輸出為最大的那一類。不足：容易產生屬於多類別的點（多個1）和沒有被分類的點（標號均為-1）--不對，訓練樣本資料大，訓練困難，推廣誤差無界.
n一對一（one-against-one）---Kressel對於任意兩個分類，構造一個分類器，僅識別這兩個分類，完成這個過程需要k(k-1)/2個分類器，計算量是非常龐大的。對於每一個樣本，根據每一個分類器的分類結果，看屬於哪個類別的次數多，最終就屬於哪一類(組合這些兩類分類器並使用投票法，得票最多的類為樣本點所屬的類)。不足：如果單個兩類分類器不規範化，則整個N類分類器將趨向於過學習；推廣誤差無界；分類器的數目K隨類數急劇增加，導致在決策時速度很慢。
n層（數分類方法），是對一對一方法的改進，將k個分類合併為兩個大類，每個大類裡面再分成兩個子類，如此下去，直到最基本的k個分類，這樣形成不同的層次，每個層次都用svm來進行分類------1對r-1法，構建k-1個分類器，不存在拒絕分類區。
應用上：人臉檢測，汽輪發電機組的故障診斷，分類，迴歸，聚類，時間序列預測，系統辨識，金融工程，生物醫藥訊號處理，資料探勘，生物資訊，文字挖掘，自適應訊號處理，剪接位點識別，基於支援向量機的資料庫學習演算法，手寫體相似字識別，支援向量機函式擬合在分形插值中的應用，基於支援向量機的慣導初始對準系統，巖爆預測的支援向量機，缺陷識別，計算機鍵盤使用者身份驗證，影片字幕自動定位於提取，說話人的確認，等等。
主要研究熱點
從上面的發展中，我們可以總結出，目前支援向量機有著幾方面的研究熱點：核函式的構造和引數的選擇；支援向量機從兩類問題向多類問題的推廣；更多的應用領域的推廣；與目前其它機器學習方法的融合；與資料預處理（樣本的重要度，屬性的重要度，特徵選擇等）方面方法的結合，將資料中脫離領域知識的資訊，即資料本身的性質融入支援向量機的演算法中從而產生新的演算法；支援向量機訓練演算法的探索。