中文摘要：

支持向量机方法是借助于最优化方法解决机器学习问题的有力工具，已经被成功地应用到数据挖掘的许多领域。在标准支持向量机的优化模型中使用的是2范数，近年来，出现了若干基于不同范数的支持向量机，由于其在特征选择等问题中的显著效果，逐渐成为支持向量机方法中新的研究热点之一。本项目拟从最优化理论与方法的角度出发，对可调节范数支持向量机模型进行研究。主要包括(1)改进、完善现有的优化模型；(2)针对机器学习领域中常见的分类、回归、多示例、多标签等问题，构建相应的可调节范数的优化模型，并基于最优化方法研究建立简单而有效的算法(包括全局算法)；(3)针对生物信息领域中的特征选择问题,研究新模型与算法的应用和改进. 本项目的实施不仅能为数据挖掘提出新理论和新方法,而且能够推动支持向量机和最优化方法的发展，具有重要的科学意义和实用价值。