大量的研究成果，从最初的简单模式输入的直接SVM方法研究，进入到多种方法取长补短的联合应用研究，对SVM本身也进行了多方面的改进研究。
f三、实现方法
1、进度计划：12周查阅相关的中外文献资料，准备开题报告和外文资料的翻译。34周：完成开题报告的撰写和相关外文资料的翻译。58周：研究并确立设计方案。913周完成设计方案的编码、调试。1416周写毕业论文。1718周准备答辩和毕业设计评阅答辩。
2、主要技术指标与工作内容（1）图像分割技术的研究
了解图像处理中图像分割技术的实际运用，与各种图像分割方法。（2）支持向量机结构和原理的研究
支持向量机它在解决小样本、非线性及高维模式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、图像分割、图像识别等其他机器学习问题中。（3）Matlab编程与图像分割的实现
具体运用支持向量机方法来实现图像分割，使用matlab进行编程，并直观展示图像分割结果。
f四、主要参考资料
1杨强支持向量机的模型及其在图像分割中的应用D重庆大学20042徐海祥，夏学知陈炜郭丽艳基于支持向量机方法的噪声图像分割J微电子学与计算机2007113罗希平，田捷诸葛婴王靖戴汝为图像分割方法综述J模式识别与人工智能1999034徐海祥基于支持向量机方法的图像分割与目标分类D华中科技大学20055井慧娟张花馗浅谈图像分割技术J湖南冶金职业技术学院学报2008036刘白林雷行行支持向量机在核磁共振脑组织图像分割中的应用J电脑开发与应用2010037廖国红齐军黄光林基于支持向量机方法的医学图像分割J计算机工程与应用2007298张翔支持向量机及其在医学图像分割中的应用D华中科技大学20049邓乃扬田英杰数据挖掘中的新方法支持向量机M北京科学出版社200410刘向东洛斌陈兆乾支持向量机最优模型选择的研究J计算机研究与发展200542457658111林升梁刘志基于RBF核函数的支持向量机参数选择J浙江工业大学学报200735216316712李琳张晓龙基于RBF核的SVM学习算法的优化计算J计算机工程与应用13ChapelleOVap
ikVBousquetOetalChoosi
gmultipleparametersforsupportvectormachi
esJMachi
eLear
i
g200246113115914OLMa
gasaria
DavidRMusica
tLagra
geSupportVectorMachi
esJJour
alofMachi
eLear
i
gResearch2001116117715Rey
aRAHer
a
dezNEsteveDCattoe
MSegme
ti
gimageswithsupportvectormachi
esCProceedi
gsofthe2000I
ter
atio
alCo
fere
ceo
ImageProcessi
g20001820823
fr