Destek Vektör Makineleri, oluşturulan ve problemin çözümünde kullanılan etkili matematiksel optimizasyon yöntemleri sayesinde yüksek boyutlu ve küçük sayıda eğitim verisinden öğrenebilen yeni nesil bir öğrenme metodu olarak Vladamir Vapnik tarafından 1995 yılında önerilmiştir. Destek Vektör Makineleri'nin dayandığı teori olan `İstatistiksel Öğrenme Teorimi`, Vladamir Vapnik ve Alexey Chervonenkis tarafından 1960'da önerilmiş ve 1970'li yıllarda geliştirilmiştir. Destek Vektör Makineleri, doğrusal olmayışı modellemek için çekirdek fonksiyonların kullanılması, genelleştirebilme yeteneğinin yüksek olması, teorik yapısının kuvvetli ve uygulamalarda hızlı performans göstermesi nedeniyle, son yıllarda, örüntü tanımlamada, bağlanım analizinde, yüz tanımlamada, resim ve metin sınıflandırmada, veri madenciliğinde, kalite kontrol yöntemlerinde, finans, ekonomi, genetik, biyoloji ve diğer biyoenformatik uygulamalarda sıklıkla kullanılmaya başlanmıştır. Bu nedenle bu tez çalışmasında Destek Vektör Makinelerinin teorik alt yapısı ve kompütasyonel yaklaşımlar detaylı bir şekilde ele alınıp incelenmiştir. Wisconsin Göğüs Kanseri veri seti üzerinde sınıflandırma analizi ve Hollanda'nın Brabant şehrine ait elektrik yük verisi ise bağlanım analizi için kullanılarak Destek Vektör Makineleri'nin performansı tanıtılmıştır.