（1）非線性映射是SVM方法的理論基礎，SVM利用內積核函數代替向高維空間的非線性映射；
（2）對特征空間劃分的最優超平面是SVM的目標，最大化分類邊際的思想是SVM方法的核心；
（3）支持向量是SVM的訓練結果，在SVM分類決策中起決定作用的是支持向量。
（4）SVM 是壹種有堅實理論基礎的新穎的小樣本學習方法。它基本上不涉及概率測度及大數定律等，因此不同於現有的統計方法。從本質上看，它避開了從歸納到演繹的傳統過程，實現了高效的從訓練樣本到預報樣本的“轉導推理”，大大簡化了通常的分類和回歸等問題。
（5）SVM 的最終決策函數只由少數的支持向量所確定，計算的復雜性取決於支持向量的數目，而不是樣本空間的維數，這在某種意義上避免了“維數災難”。
（6）少數支持向量決定了最終結果，這不但可以幫助我們抓住關鍵樣本、“剔除”大量冗余樣本，而且註定了該方法不但算法簡單，而且具有較好的“魯棒”性。這種“魯棒”性主要體現在：
①增、刪非支持向量樣本對模型沒有影響；
②支持向量樣本集具有壹定的魯棒性；
③有些成功的應用中，SVM 方法對核的選取不敏感
兩個不足：
（1） SVM算法對大規模訓練樣本難以實施
由於SVM是借助二次規劃來求解支持向量，而求解二次規劃將涉及m階矩陣的計算（m為樣本的個數），當m數目很大時該矩陣的存儲和計算將耗費大量的機器內存和運算時間。針對以上問題的主要改進有有J.Platt的SMO算法、T.Joachims的SVM、C.J.C.Burges等的PCGC、張學工的CSVM以及O.L.Mangasarian等的SOR算法
（2） 用SVM解決多分類問題存在困難
經典的支持向量機算法只給出了二類分類的算法，而在數據挖掘的實際應用中，壹般要解決多類的分類問題。可以通過多個二類支持向量機的組合來解決。主要有壹對多組合模式、壹對壹組合模式和SVM決策樹；再就是通過構造多個分類器的組合來解決。主要原理是克服SVM固有的缺點，結合其他算法的優勢，解決多類問題的分類精度。如：與粗集理論結合，形成壹種優勢互補的多類問題的組合分類器。