Vladimir N.Vapnik于1990年加入美国AT&T贝尔实验室，现仍担任顾问，1995年起任英国Royal Holloway大学计算机和统计学教授。Vapnik教授从事计算机科学、理论与应用统计学研究已有30多年，发表了7部学术著作和上百篇研究论文。他的主要学术成就是研究发展了一套基于经验数据估计依赖关系的一般理论，即统计学习理论，以及在此理论基础上的一种新的学习机器——支持向量机，它具有很高的推广能力。这些理论与方法可以用在很多模式识别和回归估计问题中，并已经在很多实际问题中取得了很好的应用成果。
许建华，2002年于清华大学模式识别与智能系统专业获工学博士学位。现在南京师范大学计算机系从事教学与科研工作。主要研究方向为模式识别、神经网络、机器学习、人工智能、信号处理理论及其应用。
引论：归纳和统计推理问题
第一部分 学习和推广性理论
第1章 处理学习问题的两种方法
第1章附录 解不适定问题的方法
第2章概率测度估计与学习问题
第3章 经验风险最小化原则一致性的条件
第4章 指示损失函数风险的界
第4章附录 关于ERM原则风险的下界
第5章 实损失函数风险的界
第6章 结构风险最小化原则
第6章附录 基于间接测量的函数全计
第7章 随机不适定问题
第8章 估计给定点上的函数值
第二部分 函数的支持向量估计
第9章 感知器及其推广
第10章 估计指示函数的支持向量方法
第11章 估计实函数的支持向量方法
第12章 模式识别的支持向量机
第13章 函数逼近、回归估计和信号处理的支持向量机
第三部分 学习理论的统计学基础 [1]
第14章 频率一致收敛于概率的充分必要要件
第15章 均值一致收敛于期望的充分必要条件
第16章 均值一致单边收敛于期望的充分必要条件