序列最小优化（sequential minimal optimization），工学-信息与通信工程-模式识别-统计模式识别-核方法-序列最小优化，用于解决支持向量机训练过程中所产生优化问题的算法。1998年由美国微软研究院的计算机科学家J.C.普莱特提出，被广泛应用于支持向量机的训练过程中，避免了使用代价高昂的二次优化工具来实现参数优化，很大程度提升了支持向量机的训练效率。考虑数据集的二分类问题，其中为输入向量，为向量的类别标签，只允许取两个值。一个软间隔支持向量机的目标函数最优化等价于求解以下二次规划问题的最大值：…（1）…（2）序列最小优化是一种解决此类支持向量机优化问题的迭代算法。由于目标函数为凸函数，许多最优化算法可以用来求解，但是当训练样本容量很大时，这些算法往往变得非常低效，以致无法使用。同时，一般的优化算法都通过梯度方法每次优化一个变量求解二次规划问题的最大值，但是，对于以上问题，由于限制条件存在，当某个从更新到时，上述限制条件即被打破。为了克服以上的困难，序列最小优化算法在迭代更新的每一步一次更新两个变量。