1、支持向量机导论，此书乃是SVM方面的经典著作，
该书的作者也是近年来SVM、kernel methods学术圈内的活跃学者，对于这些领域均有过重要的贡献。这本书从“线性机器、核方法、统计学习理论、凸优化”四个方面揭示了SVM的内在机理 --利用核使得能够使用线性的的方法发现数据中的非线性关系，并且利用统计学习理论保证学习机器的泛化性能。这些SVM的内在机理并没有发生重大的改变。
这本书我只看了一点，由于需要强大的数学基础作为保证，很难再读下去。。。但是它每一张的前言是非常非常经典，每句话都很有道理，发人深醒～
2、统计学习理论的本质；
3、统计学习理论；
以上两本均是vapnik自六十年代以来的工作的总结，前者在概念上给出统计学习理论的介绍，
后者则给出了证明。vapnik的目标在于创建小样本统计学。其三十年如一日的苦苦追寻令人感动（60年代开始老瓦的工作一直不被重视，直到SVM的出现）。两本书的翻译都是十分优秀的。张学工老师据我所知在其博士期间就开始关注SVM方面的工作，他是最早介绍统计学习理论到中国的学者。也是国内SVM最好的学者之一。
目前两本书的电子版都已经被我下到，准备挑一个事情比较少的时间段去看。。。电子书的质量不是很好，不太清晰～
4、数据挖掘中的新方法：支持向量机。
很多人推荐这本书，但这本书实在不敢恭维。由于该书作者的背景，该书作者倾向于从最优化的角度介绍SVM，这当然远远偏离了SVM的核心。书中还加入了作 者的工作，但据我所知这部分工作根本没有得到承认（几乎没有被引用过）。至于对SVM的介绍则大量来自于经典（1，2，3）
没看过～
5、Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond
这本书大约被引用2000余次（顺便讲一下，4、数据挖掘中的新方法：支持向量机引用5次，来自google学术），至 于该书作者Schö；lkopf，他的工作只怕近年的SVM、kernel methods方面的文献没有不提到他的。今年的ICML(国际机器学习*会议)schö；lkopf是Invited Speakers，报告题目是“Thoughts on Kernels”。这本书意义深远，还给出了大量的习题，实在不容错过。
没看过～
6、Kernel Methods for Pattern Analysis
支持向量机导论的作者的又一部著作，讨论模式识别方法的新框架“核方法”。经典。
在图书馆看见过，理论基础要求的比较高。。。
7、Learning to classify text using support vector machines
SVM理论上近乎完美，但仍然要通过实际应用的考验，文本分类就是最早体现SVM的 领域之一（另一个是手写数字识别）。该书作者更是SVM领域的大牛，他开发了SVM最好的算法包SVM Light。近年来SVM算法的每一次重大优化，几乎都是由他发起。
看过他的一篇论文，写了7页，只说了SVM在文本分类中的优点～这本书应该是相当经典，不过没找到～
如果仅仅为了使用SVM，看看*人的LibSVM半小时就可以学会使用，马上就能处理数据（分类、回归）。如果想尽快了解SVM的机理，1、支持向量机 导论则是首选，如果希望了解核方法及SVM，5、Learning with Kernels: Support Vector Machines, Regularization,Optimization, and Beyond，决不能错过。