1、支持向量机的优点
（1）SVM是一种有坚实理论基础的传统机器学习方法。它基本上不涉及概率测度及大数定律等，也对通常的回归与分类问题做了简化。

（2）由于使用了核函数，使得其计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾难”。

（3）少数支持向量决定了最终结果，对异常值不敏感, 这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本,而且注定了该方法不但算法简单，而且具有较好的“鲁棒性”.

（4）SVM学习问题可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值,有优秀的泛化能力。

2、支持向量机的缺点
（1）难以训练大规模数据集。SVM的空间消耗主要是存储训练样本和核矩阵，由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算（m为样本的个数），当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。

（2）需要组合多个二分类SVM来实现多分类。经典的支持向量机算法只给出了二类分类的算法，而在实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决。

（3）对参数和核函数选择敏感。支持向量机性能的优劣主要取决于核函数的选取，所以对于一个实际问题而言，常常需要领域的专家结合经验来选择合适的参数与核函数。在不同领域需要设置不同的核函数，这对于人工的消耗比较大。