支持向量機（Support Vector Machine, SVM）是一種監督學習算法，主要用於分類和回歸分析。其基本原理是在特徵空間中找到一個超平面，這個超平面能夠將不同類別的樣本分隔開，並且使得離超平面最近的樣本點到超平面的距離最大化。這個距離被稱為間隔，而SVM的目標就是找到具有最大間隔的超平面。
SVM可以分為硬間隔最大化和軟間隔最大化兩類。當訓練樣本線性可分時，通過硬間隔最大化學習一個線性分類器；當訓練數據近似線性可分時，引入鬆弛變數，通過軟間隔最大化學習一個線性分類器；當訓練數據線性不可分時，通過使用核技巧及軟間隔最大化，學習非線性支持向量機。
核函式是SVM中的一個重要概念，它可以將原始空間中的非線性可分問題轉化為高維特徵空間中的線性可分問題。核函式的作用是通過計算兩個樣本之間的相似度（內積）來替代顯式地進行特徵映射，從而避免了高維空間的計算開銷。常用的核函式包括線性核函式、多項式核函式、徑向基函式（RBF）和二層神經網路核函式等。
總的來說，SVM算法通過引入最大間隔超平面和核技巧，能夠在保持分類器泛化能力的同時，有效地處理非線性可分的數據。