支持向量机（support vector machine，SVM）是一种常用的分类监督学习方法。对于已经标明类别的训练样本，SVM在特征空间中寻找能够区分不同类别的决策边界，并使边界与两侧最近样本之间的距离尽可能大，即最大化分类间隔。
例如，使用两项特征判断驾驶员是否疲劳时，每个训练样本可以表示为二维空间中的一个点。能够将疲劳与不疲劳样本分开的直线可能不止一条，但如果边界距离某些训练样本过近，这些样本稍有变化就可能落到边界另一侧。因此，SVM选择使两类样本之间分类间隔尽可能大的边界。距离分类边界最近、直接限制分类间隔大小的训练样本称为支持向量（support vectors）。这些样本决定了分类边界的位置，因此“支持向量机”由此得名。
在二维特征空间中，线性分类边界表现为一条直线；当特征增加后，分类边界相应扩展为平面或更高维空间中的超平面（hyperplane）。如果不同类别无法在原始特征空间中通过线性边界很好地区分，SVM可以使用核函数（kernel function）处理非线性分类问题。核函数使模型能够在更高维的特征空间中建立分类边界，使原本无法由线性边界分开的样本得到区分。
