支持向量机算法是近几年新兴的一种机器学习方法，以统计学习理论为基础，较好地解决了传统统计学习理论不能解决的非线性、高维数、局部极小点等问题，具有较好的推广能力。然而传统的支持向量机在计算上存在着一些问题，包括训练算法速度慢、算法复杂而难以实现、检测阶段运算量大、抗击噪音能力差等。如何提高训练速度、减少训练时间、建立实用的学习算法仍是一些亟待解决的问题。本书从最优化理论与方法的角度，结合作者长期以来在该领域的研究工作，撰写了该书。本书内容主要包括最优化理论与支持向量机的基本理论知识、最小二乘支持向量机的快速算法、新的光滑支持向量分类机、新的光滑支持向量回归机、支持向量机的调节熵函数法、光滑半监督支持向量机、无参数填充函数法的光滑聚类算法以及基于光滑支持向量机的人脸识别等。