核支持向量机（kernel support vector machine），理学-计算机科学技术-计算机应用-多媒体计算-模式识别-支持向量机，原始的支持向量机属于线性模型，不能解决非线性的分类或回归问题。根据计算学习理论中的卡维尔定理（Cover’s Theorem），将低维空间中的点集映射到高维空间时，其线性可分的概率会提高；高维空间维度越高，线性可分的概率越高。因此，可以先将低维空间中的非线性特征映射为高维空间中的线性特征，再使用支持向量机求解。例如，可能存在某个映射，将特征向量映射为更高维度的特征向量，此时由高维特征点组成的特征集是线性可分的。但是寻找这样一个合适的映射并不容易，将向量从低维映射至高维也带来了巨大的计算量。有学者注意到，支持向量机的求解只需要特征向量的内积，不需要特征向量的具体值。例如，对于第个样本，只需知道其高维特征向量的内积，即可进行求解，不需要知道的具体值，根据此特点，如果能找到这样一个函数，使得两个样本高维特征向量的内积等于它们在低维空间中通过函数计算的结果，即，那就可以避免计算和，从而降低计算量。函数被称为核函数；引入这种函数的技巧称为核技巧。