OpenCV 3.3中给出了支持向量机(Support Vector Machines)的实现，即cv::ml::SVM类，
此类的声明在include/opencv2/ml.hpp文件中，实现在modules/ml/src/svm.cpp文件中，它既支持两分类，也支持多分类，还支持回归等，
OpenCV中SVM的实现源自libsvm库。其中：
(1)、cv::ml::SVM类：继承自cv::ml::StateModel，而cv::ml::StateModel又继承自cv::Algorithm;
(2)、create函数：为static，new一个SVMImpl用来创建一个SVM对象；
(3)、setType/getType函数：设置/获取SVM公式类型，包括C_SVC、NU_SVC、ONE_CLASS、EPS_SVR、NU_SVR，用于指定分类、回归等，默认为C_SVC；
 　CvSVM::C_SVC C类支持向量分类机。 n类分组 (n \geq 2)，允许用异常值惩罚因子C进行不完全分类。
 　　CvSVM::NU_SVC \nu类支持向量分类机。n类似然不完全分类的分类器。参数为 \nu 取代C（其值在区间【0，1】中，nu越大，决策边界越平滑）。
 　　CvSVM::ONE_CLASS 单分类器，所有的训练数据提取自同一个类里，然后SVM建立了一个分界线以分割该类在特征空间中所占区域和其它类在特征空间中所占区域。
 　　CvSVM::EPS_SVR \epsilon类支持向量回归机。训练集中的特征向量和拟合出来的超平面的距离需要小于p。异常值惩罚因子C被采用。
 　　CvSVM::NU_SVR \nu类支持向量回归机。 \nu 代替了 p。
 　
 　　
 (4)、setGamma/getGamma函数：设置/获取核函数的γ参数，默认值为1；
 　gamma – 内核函数（POLY/ RBF/ SIGMOID）的参数\gamma。
 (5)、setCoef0/getCoef0函数：设置/获取核函数的coef0参数，默认值为0；
 coef0 – 内核函数（POLY/ SIGMOID）的参数coef0。
 (6)、setDegree/getDegree函数：设置/获取核函数的degreee参数，默认值为0；
 degree – 内核函数（POLY）的参数degree。
 (7)、setC/getC函数：设置/获取SVM优化问题的C参数，默认值为0；
 　 Cvalue – SVM类型（C_SVC/ EPS_SVR/ NU_SVR）的参数C。
 (8)、setNu/getNu函数：设置/获取SVM优化问题的υ参数，默认值为0；
 nu – SVM类型（NU_SVC/ ONE_CLASS/ NU_SVR）的参数 \nu。
 (9)、setP/getP函数：设置/获取SVM优化问题的ε参数，默认值为0；
 p – SVM类型（EPS_SVR）的参数 \epsilon。
 (10)、setClassWeights/getClassWeights函数：应用在SVM::C_SVC,设置/获取weights，默认值是空cv::Mat；
 　class_weights – C_SVC中的可选权重，赋给指定的类，乘以C以后变成 class_weights_i * C。所以这些权重影响不同类别的错误分类惩罚项。权重越大，某一类别的误分类数据的惩罚项就越大。(11)、setTermCriteria/getTermCriteria函数：设置/获取SVM训练时迭代终止条件，默认值是cv::TermCriteria(cv::TermCriteria::MAX_ITER + TermCriteria::EPS,1000, FLT_EPSILON)；
 term_crit – SVM的迭代训练过程的中止条件，解决部分受约束二次最优问题。您可以指定的公差和/或最大迭代次数
 (12)、setKernel/getKernelType函数：设置/获取SVM核函数类型，包括CUSTOM、LINEAR、POLY、RBF、SIGMOID、CHI2、INTER，默认值为RBF；
 CvSVM::LINEAR 线性内核。没有任何向映射至高维空间，线性区分（或回归）在原始特征空间中被完成，这是最快的选择。K(x_i, x_j) = x_i^T x_j.
 　　CvSVM::POLY 多项式内核： K(x_i, x_j) = (\gamma x_i^T x_j + coef0)^{degree}, \gamma > 0.
 　　CvSVM::RBF 基于径向的函数，对于大多数情况都是一个较好的选择： K(x_i, x_j) = e^{-\gamma ||x_i - x_j||^2}, \gamma > 0.
 　　CvSVM::SIGMOID Sigmoid函数内核：K(x_i, x_j) = \tanh(\gamma x_i^T x_j + coef0).
 (13)、setCustomKernel函数：初始化CUSTOM核函数；(14)、trainAuto函数：用最优参数训练SVM；
(15)、getSupportVectors/getUncompressedSupportVectors函数：获取所有的支持向量；
(16)、getDecisionFunction函数：决策函数；
(17)、getDefaultGrid/getDefaultGridPtr函数：生成SVM参数网格；
(18)、save/load函数：保存/载入已训练好的model，支持xml,yaml,json格式；
(19)、train/predict函数：用于训练/预测，均使用基类StatModel中的。